KR102549702B1 - 신경망을 학습시키는 방법 - Google Patents
신경망을 학습시키는 방법 Download PDFInfo
- Publication number
- KR102549702B1 KR102549702B1 KR1020230033044A KR20230033044A KR102549702B1 KR 102549702 B1 KR102549702 B1 KR 102549702B1 KR 1020230033044 A KR1020230033044 A KR 1020230033044A KR 20230033044 A KR20230033044 A KR 20230033044A KR 102549702 B1 KR102549702 B1 KR 102549702B1
- Authority
- KR
- South Korea
- Prior art keywords
- model
- data
- learning
- data set
- screen
- Prior art date
Links
- 238000012549 training Methods 0.000 title claims abstract description 210
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 148
- 238000000034 method Methods 0.000 title claims description 68
- 238000004590 computer program Methods 0.000 claims abstract description 36
- 238000003860 storage Methods 0.000 claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 238000013473 artificial intelligence Methods 0.000 claims description 22
- 238000001514 detection method Methods 0.000 claims description 14
- 238000012544 monitoring process Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 22
- 230000008569 process Effects 0.000 description 18
- 230000006870 function Effects 0.000 description 15
- 238000010801 machine learning Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 238000009826 distribution Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 7
- 238000002372 labelling Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000013136 deep learning model Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 241000282326 Felis catus Species 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000005055 memory storage Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000002250 progressing effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000013498 data listing Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/10—Interfaces, programming languages or software development kits, e.g. for simulating neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0481—Interaction techniques based on graphical user interfaces [GUI] based on specific properties of the displayed interaction object or a metaphor-based environment, e.g. interaction with desktop elements like windows or icons, or assisted by a cursor's changing behaviour or appearance
- G06F3/04812—Interaction techniques based on cursor appearance or behaviour, e.g. being affected by the presence of displayed objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0481—Interaction techniques based on graphical user interfaces [GUI] based on specific properties of the displayed interaction object or a metaphor-based environment, e.g. interaction with desktop elements like windows or icons, or assisted by a cursor's changing behaviour or appearance
- G06F3/0482—Interaction with lists of selectable items, e.g. menus
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Probability & Statistics with Applications (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 신경망을 학습시키기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은: 프로젝트에 대한 선택 입력을 수신하기 위한 적어도 하나의 제 1 객체를 포함하는 제 1 화면을 디스플레이 하는 동작; 및 선택된 프로젝트와 대응되는 프로젝트 관련 정보를 디스플레이 하기 위한 제 2 화면을 디스플레이 하는 동작을 포함하고, 상기 제 2 화면은, 센서로부터 획득한 시계열 데이터를 디스플레이하기 위한 제 1 출력 영역, 모델 재학습에 관련된 선택 입력을 수신하기 위한 적어도 하나의 제 2 객체를 포함하는 선택 영역 또는 상기 제 2 객체에 대응하는 정보를 디스플레이 하기 위한 제 2 출력 영역 중 적어도 하나를 포함하는, 컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
Description
본 발명은 신경망을 학습시키는 방법에 관한 것으로, 보다 구체적으로 신경망을 학습시키기 위한 사용자 인터페이스 제공 방법에 관한 것이다.
딥러닝은 여러 가지의 비선형 변화기법의 조합을 통해 높은 수준의 추상화를 시도하는 기계 학습 알고리즘의 집합이다.
기계 학습 알고리즘에 대한 다양한 형태의 연구가 진행되고 있으며, 이에 따라 심층 신경망(deep neural network), 합성곱 신경망(convolutional neural network), 순환 신경망(recurrent neural network)와 같은 다양한 딥러닝 기법들이 컴퓨터 비전, 음성 인식, 자연어 처리 등의 분야에 적용되고 있다.
이러한 기계 학습 알고리즘은 복잡한 구조를 가지며 복잡한 연산을 통해 결과를 출력할 수 있다. 기계 학습 알고리즘을 이용하여 데이터를 처리하기 위해서는 기계 학습 알고리즘에 대한 상당한 이해가 선행되어야 하며, 이에 따라 기계 학습 알고리즘을 사용할 수 있는 사용자들은 한정된다.
또한 기계 학습 알고리즘을 사용하는 분야가 다양화됨에 따라, 기계 학습 알고리즘에 대한 상당한 이해가 없는 다른 도메인의 전문가들도 기계 학습 알고리즘을 자신의 전문 분야에 접목시키기 위한 시도가 급증하고 있다.
이에 기계 학습 알고리즘을 사용자들이 쉽게 접근할 수 있도록 하는 당업계의 요구가 존재한다.
대한민국 공개 특허 제2016-0012537호는 신경망 학습 방법 및 장치, 데이터 처리 장치를 개시한다.
본 개시는 전술한 배경기술에 대응하여 안출 된 것으로, 신경망을 학습시키기 위한 방법을 제공하는 것을 목적으로 한다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따른 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 신경망을 학습시키기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은: 프로젝트에 대한 선택 입력을 수신하기 위한 적어도 하나의 제 1 객체를 포함하는 제 1 화면을 디스플레이 하는 동작; 및 선택된 프로젝트와 대응되는 프로젝트 관련 정보를 디스플레이 하기 위한 제 2 화면을 디스플레이 하는 동작을 포함하고, 제 2 화면은, 센서로부터 획득한 시계열 데이터를 디스플레이하기 위한 제 1 출력 영역, 모델 재학습에 관련된 선택 입력을 수신하기 위한 적어도 하나의 제 2 객체를 포함하는 선택 영역 또는 제 2 객체에 대응하는 정보를 디스플레이 하기 위한 제 2 출력 영역 중 적어도 하나를 포함할 수 있다.
신경망을 학습시키기 위한 방법을 제공하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 프로젝트는 인공지능을 이용하여 특정 목표를 달성하기 위한 인공지능 관련 프로젝트로서, 특정 목표는, 인공지능이 적용된 모델의 성능을 향상시키는 목표를 포함할 수 있다.
신경망을 학습시키기 위한 방법을 제공하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 선택 영역은, 모델 학습에 관련된 정보를 제 2 출력 영역에 디스플레이하기 위한 객체가 포함된 영역으로서, 모델의 성능 정보를 제 2 출력 영역에 디스플레이하기 위한 성능 모니터링 선택 객체, 모델의 학습과 관련된 학습 데이터 세트 정보를 제 2 출력 영역에 디스플레이하기 위한 학습 데이터 세트 선택 객체, 현재 모델의 학습 진행 상황에 대한 정보를 제 2 출력 영역에 디스플레이하기 위한 학습 콘솔 선택 객체, 적어도 하나 이상의 모델에 대한 정보를 제 2 출력 영역에 디스플레이하기 위한 모델 아카이브 선택 객체, 또는 모델을 이용하여 감지된 어노말리 정보를 제 2 출력 영역에 디스플레이하기 위한 감지된 어노말리 출력 선택 객체 중 적어도 하나를 포함할 수 있다.
신경망을 학습시키기 위한 방법을 제공하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 제 2 출력 영역에 학습 데이터 세트 출력 화면을 디스플레이하는 동작을 더 포함하고, 학습 데이터 세트 출력 화면은, 적어도 하나의 학습 데이터 세트가 나열된 학습 데이터 세트 리스트, 사용자가 모델 학습에 사용될 학습 데이터 세트에 대한 선택 입력을 수신하기 위한 학습 데이터 세트 추가 객체, 또는 사용자가 모델 학습에 사용되지 않을 학습 데이터 세트에 대한 선택 입력을 수신하기 위한 학습 데이터 세트 제거 객체 중 적어도 하나를 포함할 수 있다.
신경망을 학습시키기 위한 방법을 제공하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 학습 데이터 세트는, 모델의 학습에 사용된 제 1 학습 데이터 세트, 또는 모델의 재학습에 사용될 새로운 제 2 학습 데이터 세트 중 적어도 하나를 포함하고, 제 2 학습 데이터 세트는, 센서로부터 실시간으로 획득하는 시계열 데이터 중 적어도 일부 및 그에 대응하는 라벨을 포함할 수 있다.
신경망을 학습시키기 위한 방법을 제공하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 제 2 학습 데이터 세트를 사용자로 하여금 선택할 수 있도록 하는 학습 데이터 세트 선택 화면을 디스플레이하는 동작을 더 포함할 수 있다.
신경망을 학습시키기 위한 방법을 제공하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 학습 데이터 세트 선택 화면은, 제 2 학습 데이터 세트를 사용자로 하여금 선택할 수 있도록 하는 화면으로서, 시계열 데이터를 모델에 입력시켜 획득한 데이터를 사전 결정된 제 1 기준을 기초로 필터링하기 위한 시간 변수 설정 영역 또는 시계열 데이터를 모델에 입력시켜 획득한 데이터를 사전 결정된 제 2 기준을 기초로 분할한 데이터 청크를 디스플레이하기 위한 데이터 청크 영역 중 적어도 하나를 포함할 수 있다.
신경망을 학습시키기 위한 방법을 제공하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 데이터 청크는, 사전 결정된 제 2 기준을 기초로 분할된 복수개의 시계열 데이터를 모델에 입력시켜 획득한 데이터 세트 각각의 통계적 특징을 포함할 수 있다.
신경망을 학습시키기 위한 방법을 제공하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 사전 결정된 제 2 기준은, 모델을 이용하여 획득한 데이터 중 오분류 데이터를 검출하기 위한 기준으로서, 모델을 이용하여 획득한 데이터가 제 1 상태에서 제 2 상태로 변하는 제 1 포인트 또는 모델의 출력이 제 2 상태에서 제 1 상태로 변하는 제 2 포인트 중 적어도 하나에 기초하여 시계열 데이터를 모델에 입력시켜 획득한 데이터를 복수개의 데이터 청크로 분할하는 기준을 포함할 수 있다.
신경망을 학습시키기 위한 방법을 제공하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 데이터 청크는, 사용자에게 모델 재학습에 이용될 데이터 청크를 데이터 청크 추천 알고리즘을 통해 산출된 데이터 청크를 포함하는 데이터 청크, 또는 사용자 선택 입력 신호를 수신하여 선택된 데이터 청크와 통계적 특징이 유사한 적어도 하나의 데이터 청크를 포함하는 데이터 청크 중 적어도 하나를 포함할 수 있다.
신경망을 학습시키기 위한 방법을 제공하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 제 2 출력 영역에 모델 아카이브 출력 화면을 디스플레이하는 동작을 더 포함할 수 있다.
신경망을 학습시키기 위한 방법을 제공하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 모델 아카이브 출력 화면은, 복수개의 모델 각각에 대한 정보를 디스플레이하는 화면으로서, 모델 아카이브에 저장된 복수개의 모델을 한눈에 볼 수 있도록 디스플레이하기 위한 모델 리스트 출력 영역 또는 사용자의 선택 입력 신호를 수신하여 선택된 모델에 대한 정보를 디스플레이하는 모델 정보 출력 영역 중 적어도 하나를 포함할 수 있다.
신경망을 학습시키기 위한 방법을 제공하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 모델 리스트는, 프로젝트를 진행하면서 학습된 모델, 제 2 학습 데이터 세트를 학습된 모델에 입력시켜 재학습시킨 모델, 모델 아카이브에 포함된 복수개의 모델 중에서 유사한 통계적 특징을 가지는 모델을 통합하여 새롭게 생성된 모델, 또는 새롭게 입력된 데이터에 대응하는 모델을 사용자에게 추천하기 위하여, 모델 아카이브에 포함된 복수개의 모델 각각의 히트율에 기초하여 결정된 모델 중 적어도 하나를 포함할 수 있다.
신경망을 학습시키기 위한 방법을 제공하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 제 2 출력 영역에 감지된 어노말리 출력 화면을 디스플레이하는 동작을 더 포함할 수 있다.
신경망을 학습시키기 위한 방법을 제공하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 감지된 어노말리 출력 화면은, 모델을 이용하여 획득한 데이터 중 어노말리 데이터에 관련된 정보를 디스플레이하기 위한 화면으로서, 모델을 이용하여 획득한 어노말리 데이터 리스트를 디스플레이하기 위한 어노말리 감지 결과 출력 영역 또는 사용자 선택 입력 신호를 수신하여 선택된 어노말리 데이터에 대한 정보를 디스플레이하기 위한 어노말리 정보 출력 영역 중 적어도 하나를 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따른 신경망을 학습시키기 위한 방법으로서, 프로젝트에 대한 선택 입력을 수신하기 위한 적어도 하나의 제 1 객체를 포함하는 제 1 화면을 디스플레이 하는 단계; 및 선택된 프로젝트와 대응되는 프로젝트 관련 정보를 디스플레이 하기 위한 제 2 화면을 디스플레이 하는 단계;를 포함하고, 제 2 화면은, 센서로부터 획득한 시계열 데이터를 디스플레이하기 위한 제 1 출력 영역, 모델 재학습에 관련된 선택 입력을 수신하기 위한 적어도 하나의 제 2 객체를 포함하는 선택 영역 또는 제 2 객체에 대응하는 정보를 디스플레이 하기 위한 제 2 출력 영역 중 적어도 하나를 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따른 신경망을 학습시키기 위한 방법을 제공하기 위한 컴퓨팅 장치로서, 하나 이상의 코어를 포함하는 프로세서; 및 메모리를 포함하고, 상기 프로세서는 프로젝트에 대한 선택 입력을 수신하기 위한 적어도 하나의 제 1 객체를 포함하는 제 1 화면을 디스플레이 하고, 그리고 선택된 프로젝트와 대응되는 프로젝트 관련 정보를 디스플레이 하기 위한 제 2 화면을 디스플레이 하고, 제 2 화면은, 센서로부터 획득한 시계열 데이터를 디스플레이하기 위한 제 1 출력 영역, 모델 재학습에 관련된 선택 입력을 수신하기 위한 적어도 하나의 제 2 객체를 포함하는 선택 영역 또는 제 2 객체에 대응하는 정보를 디스플레이 하기 위한 제 2 출력 영역 중 적어도 하나를 포함할 수 있다.
본 발명은 신경망을 학습시키기 위한 방법을 제공할 수 있다.
상기 언급된 본 개시내용의 피처들이 상세하게, 보다 구체화된 설명으로, 이하의 실시예들을 참조하여 이해될 수 있도록, 실시예들 중 일부는 첨부되는 도면에서 도시된다. 또한, 도면과의 유사한 참조번호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭하는 것으로 의도된다. 그러나, 첨부된 도면들은 단지 본 개시 내용의 특정한 전형적인 실시예들만을 도시하는 것일 뿐, 본 발명의 범위를 한정하는 것으로 고려되지는 않으며, 동일한 효과를 갖는 다른 실시예들이 충분히 인식될 수 있다는 점을 유의하도록 한다.
도 1 은 본 개시의 일 실시예에 따라, 신경망을 학습시키기 위한 방법을 제공하기 위한 동작을 수행하는 컴퓨팅 장치의 블록 구성도를 도시한 도면이다.
도 2는 본 개시의 일 실시예에 따라, 신경망을 학습시키기 위한 방법에서 학습의 대상이 되는 신경망을 예시적으로 도시한 도면이다.
도 3은 본 개시의 일 실시예에 따라, 제 1 화면을 예시적으로 도시한 도면이다.
도 4은 본 개시의 일 실시예에 따라, 제 2 화면을 예시적으로 도시한 도면이다.
도 5은 본 개시의 일 실시예에 따라, 학습 데이터 세트 출력 화면을 예시적으로 도시한 도면이다.
도 6은 본 개시의 일 실시예에 따라, 학습 데이터 세트 선택 화면을 예시적으로 도시한 도면이다.
도 7은 본 개시의 일 실시예에 따라, 모델 아카이브 출력 화면을 예시적으로 도시한 도면이다.
도 8은 본 개시의 일 실시예에 따라, 히트된 모델을 설명하기 위한 예시도이다.
도 9는 본 개시의 일 실시예에 따라, 통합된 모델을 설명하기 위한 예시도이다.
도 10은 본 개시의 일 실시예에 따라, 감지된 어노말리 출력 화면을 예시적으로 도시한 도면이다.
도 11은 본 개시의 일 실시예에 따라, 모니터링 선을 출력 화면을 예시적으로 도시한 도면이다.
도 12는 본 개시의 일 실시예에 따른 신경망을 학습시키기 위한 방법의 순서도이다.
도 13은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.
도 1 은 본 개시의 일 실시예에 따라, 신경망을 학습시키기 위한 방법을 제공하기 위한 동작을 수행하는 컴퓨팅 장치의 블록 구성도를 도시한 도면이다.
도 2는 본 개시의 일 실시예에 따라, 신경망을 학습시키기 위한 방법에서 학습의 대상이 되는 신경망을 예시적으로 도시한 도면이다.
도 3은 본 개시의 일 실시예에 따라, 제 1 화면을 예시적으로 도시한 도면이다.
도 4은 본 개시의 일 실시예에 따라, 제 2 화면을 예시적으로 도시한 도면이다.
도 5은 본 개시의 일 실시예에 따라, 학습 데이터 세트 출력 화면을 예시적으로 도시한 도면이다.
도 6은 본 개시의 일 실시예에 따라, 학습 데이터 세트 선택 화면을 예시적으로 도시한 도면이다.
도 7은 본 개시의 일 실시예에 따라, 모델 아카이브 출력 화면을 예시적으로 도시한 도면이다.
도 8은 본 개시의 일 실시예에 따라, 히트된 모델을 설명하기 위한 예시도이다.
도 9는 본 개시의 일 실시예에 따라, 통합된 모델을 설명하기 위한 예시도이다.
도 10은 본 개시의 일 실시예에 따라, 감지된 어노말리 출력 화면을 예시적으로 도시한 도면이다.
도 11은 본 개시의 일 실시예에 따라, 모니터링 선을 출력 화면을 예시적으로 도시한 도면이다.
도 12는 본 개시의 일 실시예에 따른 신경망을 학습시키기 위한 방법의 순서도이다.
도 13은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.
다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.
본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 서버에서 실행되는 애플리케이션 및 서버 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.
더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.
그리고, "A 또는 B 중 적어도 하나"이라는 용어는, "A만을 포함하는 경우", "B 만을 포함하는 경우", "A와 B의 구성으로 조합된 경우"를 의미하는 것으로 해석되어야 한다.
당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.
제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
도 1 은 본 개시의 일 실시예에 따라, 신경망을 학습시키기 위한 방법을 제공하기 위한 동작을 수행하는 컴퓨팅 장치의 블록 구성도를 도시한 도면이다.
도 1에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다.
컴퓨팅 장치(100)는 프로세서(110), 메모리(130), 네트워크부(150)를 포함할 수 있다.
본 개시의 일 실시예에 따라, 프로세서(110)는 신경망을 학습시키기 위한 사용자 인터페이스를 제공할 수 있다. 사용자 인터페이스는 프로젝트에 대한 선택 입력을 수신하기 위한 적어도 하나의 제 1 객체를 포함하는 제 1 화면을 포함할 수 있다.
제 1 화면은 도 3을 참조하여 구체적으로 설명된다.
본 개시의 일 실시예에 따라, 프로세서(110)는 프로젝트에 대한 선택 입력을 수신하기 위한 적어도 하나의 제 1 객체(230)를 포함하는 제 1 화면(200)을 디스플레이 할 수 있다. 프로젝트(210)는 인공지능을 이용하여 특정 목표를 달성하기 위한 인공지능 관련 프로젝트를 포함할 수 있다. 구체적으로 프로젝트(210)는 딥러닝을 이용하여 특정 목표를 달성하기 위한 딥러닝 관련 프로젝트를 포함할 수 있다. 제 1 객체(230)는 프로젝트(210)를 선택하기 위한 객체를 포함할 수 있다. 제 1 객체(230)는 선택한 프로젝트(210)에 대한 제 2 화면으로 넘어가는 기능을 포함할 수 있다. 제 1 객체(230)는 예를 들어, 화면에서의 아이콘을 포함할 수 있다. 제 1 화면(200)은 사용자가 진행하는 적어도 하나 이상의 프로젝트가 디스플레이되는 화면일 수 있다. 제 1 화면(200)은 사용자가 진행하는 복수개의 프로젝트를 한눈에 보기 쉽게 디스플레이하는 화면을 포함할 수 있다. 선택 입력은 사용자가 선택한 사항에 대한 정보를 포함하는 입력 신호를 포함할 수 있다. 따라서 프로세서(110)는 선택 입력을 수신하는 경우, 해당 선택에 기초하여 연산을 수행하거나 선택 입력에 대한 결과물을 화면에 디스플레이 할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 프로젝트(210)는 인공지능을 이용하여 특정 목표를 달성하기 위한 인공지능 관련 프로젝트를 포함할 수 있다. 특정 목표는, 인공지능이 적용된 모델을 유지 관리하기 위한 목표를 포함할 수 있으며 예를 들어 인공지능이 적용된 모델의 성능을 향상시키는 목표를 포함할 수 있다. 특정 목표는 예를 들어, 모델의 예측 정확도 향상, 모델의 학습 시간 단축, 모델 학습에 사용되는 연산량 또는 전력량 감소 등을 포함할 수 있다. 또한 특정 목표는 특정 도메인(예를 들어, 제조업, 의료, 법률, 경영, 금융)에서 예측값(예를 들어, 금융의 경우 주가 예측)을 획득하기 위한 모델을 생성하는 목표를 포함할 수도 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 프로세서(110)는 선택된 프로젝트와 대응되는 프로젝트 관련 정보를 디스플레이 하기 위한 제 2 화면을 디스플레이 할 수 있다. 제 2 화면은 제 1 화면의 선택 입력을 수신하여 프로세서(110)가 해당 선택 입력에 대응하는 프로젝트 관련 정보를 디스플레이한 화면을 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
제 2 화면은 도 4를 참조하여 구체적으로 설명된다.
본 개시의 일 실시예에 따라, 프로세서(110)는 선택된 프로젝트와 대응되는 프로젝트 관련 정보를 디스플레이 하기 위한 제 2 화면(300)을 디스플레이 할 수 있다. 제 2 화면(300)은 특정 프로젝트에 대한 정보를 디스플레이하는 화면을 포함할 수 있다. 제 2 화면(300)은 사용자가 딥러닝 모델의 성능을 향상시키기 위하여 필요한 정보를 디스플레이하는 화면을 포함할 수 있다. 제 2 화면(300)은 예를 들어, 딥러닝 모델의 성능을 향상시키기 위한 정보가 디스플레이되는 사용자 인터페이스를 포함할 수 있다. 따라서 제 2 화면(300)은 모델의 성능 정보, 모델의 학습에 사용되는 학습 데이터 세트에 대한 정보, 프로세서(110)가 모델을 이용하여 출력한 예측값 등을 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 제 2 화면은, 센서로부터 획득한 시계열 데이터를 디스플레이하기 위한 제 1 출력 영역(310), 모델 재학습에 관련된 선택 입력을 수신하기 위한 적어도 하나의 제 2 객체를 포함하는 선택 영역(330) 또는 제 2 객체에 대응하는 정보를 디스플레이 하기 위한 제 2 출력 영역(340) 중 적어도 하나를 포함할 수 있다. 제 1 출력 영역(310)은 센서로부터 획득한 시계열 데이터를 디스플레이하기 위한 영역을 포함할 수 있다. 예를 들어, 제 1 출력 영역(310)은 센서로부터 획득한 시계열 데이터를 실시간으로 디스플레이 하기 위한 영역을 포함할 수 있다. 센서로부터 획득한 시계열 데이터는 예를 들어, 로봇 관절에 부착된 센서로부터 획득한 시계열 데이터, 물질 측정 센서로부터 획득한 시계열 데이터, 온도 데이터, 풍향, 풍속 데이터, 자외선 센서 데이터, 적외선 센서 데이터, 광 센서 데이터, 소리 센서 데이터 등을 포함할 수 있다. 제 2 출력 영역(340)은 제 2 객체에 대응하는 정보를 디스플레이 하기 위한 영역을 포함할 수 있다. 프로세서(110)는 제 2 객체에 대한 선택 입력을 수신하여 제 2 객체에 대응하는 정보를 디스플레이할 수 있다. 예를 들어, 제 2 객체(예를 들어, 학습 데이터 선택 아이콘)에 대한 선택 입력을 수신한 경우, 프로세서(110)는 학습 데이터 관련 정보를 제 2 출력 영역(340)에 디스플레이할 수 있다. 선택 영역은 모델 재학습에 관련된 선택 입력을 수신하기 위한 적어도 하나의 제 2 객체가 포함된 영역을 포함할 수 있다. 선택 영역(330)은 모델 학습에 관련된 정보를 제 2 출력 영역에 디스플레이하기 위한 객체가 포함된 영역일 수 있다. 예를 들어, 선택 영역(330)은 사용자로 하여금 사용자가 원하는 모델 재학습 관련 정보를 제 2 출력 영역을 통해 볼 수 있도록 하기 위하여, 사용자 인터페이스 상의 복수개의 아이콘을 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 선택 영역은, 제 2 출력 영역에 모델 학습에 관련된 정보가 디스플레이되도록 하기 위한 객체가 포함된 영역으로서, 모델의 성능 정보를 제 2 출력 영역에 디스플레이하기 위한 성능 모니터링 선택 객체(331), 모델의 학습과 관련된 학습 데이터 세트 정보를 제 2 출력 영역에 디스플레이하기 위한 학습 데이터 세트 선택 객체(333), 적어도 하나 이상의 모델에 대한 정보를 제 2 출력 영역에 디스플레이하기 위한 모델 아카이브 선택 객체(337), 또는 모델을 이용하여 감지된 어노말리 정보를 제 2 출력 영역에 디스플레이하기 위한 감지된 어노말리 출력 선택 객체(339) 중 적어도 하나를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 성능 모니터링 선택 객체(331)는 모델의 성능 정보를 제 2 출력 영역에 디스플레이하기 위한 객체를 포함할 수 있다. 예를 들어, 프로세서(110)는 성능 모니터링 선택 객체(331)에 대한 선택 입력을 수신하는 경우, 모델 성능 정보(예를 들어, 모델의 예측 정확도)를 제 2 출력 영역에 디스플레이할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 학습 데이터 세트 선택 객체(333)는 모델의 학습과 관련된 학습 데이터 세트 정보를 제 2 출력 영역(340)에 디스플레이하기 위한 객체를 포함할 수 있다. 예를 들어, 프로세서(110)는 학습 데이터 세트 선택 객체(333)에 대한 선택 입력을 수신하는 경우, 모델 학습에 사용된 학습 데이터 세트 정보, 학습된 모델을 재학습시키는 경우에 사용되는 학습 데이터 세트 정보, 사용자가 새롭게 추가한 새로운 학습 데이터 세트 정보 등을 제 2 출력 영역(340)에 디스플레이 할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 학습 콘솔 선택 객체(335)는 현재 모델의 학습 진행 상황에 대한 정보를 제 2 출력 영역에 디스플레이하기 위한 객체를 포함할 수 있다. 예를 들어, 프로세서(110)가 학습 콘솔 선택 객체(335)에 대한 선택 입력을 수신하는 경우, 모델 학습의 현재 진행 상황(예를 들어, 학습 대상 모델 정보, 학습 진행률, 학습 완료시까지 남은 시간, 학습에 소요되는 현재 CPU 연산량, 학습에 사용되는 메모리양)을 제 2 출력 영역(340)에 디스플레이 할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 모델 아카이브 선택 객체(337)는 적어도 하나 이상의 모델에 대한 정보를 제 2 출력 영역에 디스플레이하기 위한 객체를 포함할 수 있다. 예를 들어, 프로세서(110)가 모델 아카이브 선택 객체(337)에 대한 선택 입력을 수신하는 경우, 적어도 하나의 모델 리스트, 각 모델에 대한 세부 정보(예를 들어, 학습 완료 시간, 학습에 사용된 학습 데이터 세트 정보) 등을 제 2 출력 영역(340)에 디스플레이할 수 있다. 모델 아카이브는 복수개의 모델이 저장된 저장소를 포함할 수 있다. 모델 아카이브는 예를 들어, 학습된 모델, 학습되지 않은 모델, 재학습된 모델 등을 포함할 수 있다. 프로세서(110)는 모델 아카이브에서 사용자의 입력 신호를 수신하여 사용자가 선택한 모델을 호출할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 감지된 어노말리 출력 선택 객체(339)는 모델을 이용하여 감지된 어노말리 정보를 제 2 출력 영역(340)에 디스플레이하기 위한 객체를 포함할 수 있다. 예를 들어, 프로세서(110)는 감지된 어노말리 출력 선택 객체(339)에 대한 입력 신호를 수신하는 경우, 프로세서(110)가 모델을 이용하여 획득한 어노말리 데이터에 대한 정보를 제 2 출력 영역(340)에 디스플레이 할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 프로세서(110)는 제 2 출력 영역에 학습 데이터 세트 출력 화면을 디스플레이 할 수 있다. 프로세서(110)는 학습 데이터 세트 선택 객체(333)에 대한 입력 신호를 수신하여 학습 데이터 세트 출력 화면(371)을 제 2 출력 영역(340)에 디스플레이할 수 있다. 학습 데이터 세트 출력 화면은 도 5을 참조하여 구체적으로 설명된다.
본 개시의 일 실시예에 따라, 프로세서(110)는 제 2 출력 영역에 학습 데이터 세트 출력 화면을 디스플레이할 수 있다. 학습 데이터 세트 화면은 학습 데이터 세트 관련 정보를 디스플레이하고 학습 데이터 세트 리스트를 편집할 수 있는 객체를 포함할 수 있다. 학습 데이터 세트는 적어도 하나 이상의 학습 데이터를 포함할 수 있다. 학습 데이터는 인공지능의 학습에 사용되는 임의의 형식의 데이터를 포함할 수 있다. 예를 들어, 학습 데이터는 이미지 데이터, 음성 데이터, 텍스트 데이터, 자연어 데이터, 시계열 데이터 등을 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 학습 데이터 세트 출력 화면(371)은, 적어도 하나의 학습 데이터 세트가 나열된 학습 데이터 세트 리스트, 사용자가 모델 학습에 사용될 학습 데이터 세트에 대한 선택 입력을 수신하기 위한 학습 데이터 세트 추가 객체(373), 또는 사용자가 모델 학습에 사용되지 않을 학습 데이터 세트에 대한 선택 입력을 수신하기 위한 학습 데이터 세트 제거 객체(375) 중 적어도 하나를 포함할 수 있다. 학습 데이터 세트 리스트는 적어도 하나 이상의 학습 데이터 세트를 정렬된 상태로 디스플레이 된 리스트를 포함할 수 있다. 학습 데이터 세트 정렬은 사용자의 입력 신호에 기초하여 결정될 수 있다. 예를 들어, 사용자의 입력 신호가 모델의 학습에 사용된 데이터 세트에 높은 우선 순위를 두고, 오분류 데이터를 재라벨링한 데이터를 낮은 우선 순위로 두는 신호일 수 있다. 이 경우, 프로세서(110)는 학습 데이터 세트 리스트 상위 부분에 모델의 학습에 사용된 학습 데이터 세트를 디스플레이할 수 있다. 또한 학습 데이터 세트 리스트는 예를 들어, 사용자의 선택 입력을 수신하여 선택된 학습 데이터 세트, 프로세서(110)가 추천한 학습 데이터 세트, 새롭게 추가된 학습 데이터 세트 등을 포함할 수 있다. 학습 데이터 세트 리스트은 예를 들어, 모델의 학습에 사용된 학습 데이터 세트1(377), 오분류 데이터를 재라벨링한 데이터 청크1을 포함하는 학습 데이터 세트3(378), 모델의 성능을 가늠하기 위한 샘플 데이터 세트(379)를 포함할 수 있다. 샘플 데이터 세트(379)는 학습 데이터 세트가 없는 경우, 모델의 성능을 측정하기 위하여 모델에 입력되는 데이터 세트를 포함할 수 있다. 학습 데이터 세트 추가 객체(373)는 사용자가 모델 학습에 사용될 학습 데이터 세트에 대한 선택 입력을 수신하기 위한 객체를 포함할 수 있다. 예를 들어, 학습 데이터 세트 추가 객체(373)에 대한 선택 입력을 수신하는 경우, 프로세서(110)는 학습 데이터를 세트를 추가하기 위한 화면을 새롭게 디스플레이 할 수 있다. 또한, 프로세서(110)는 학습 데이터 세트를 추가하기 위한 팝업창을 디스플레이할 수도 있다. 학습 데이터 세트 제거 객체(375)는 사용자가 모델 학습에 사용되지 않을 학습 데이터 세트에 대한 선택 입력을 수신하기 위한 객체를 포함할 수 있다. 예를 들어, 사용자로부터 특정 학습 데이터 세트에 대한 선택 입력을 받은 후 학습 데이터 세트 제거 객체(375)에 대한 선택 입력을 수신한 경우, 프로세서(110)는 해당 학습 데이터 세트를 학습 데이터 세트 출력 화면(371)에서 제거할 수 있다. 따라서 사용자의 화면에는 제거된 학습 데이터 세트가 디스플레이 되지 않을 수도 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 학습 데이터 세트는 적어도 하나 이상의 학습 데이터를 포함할 수 있다. 학습 데이터는 인공지능의 학습에 사용되는 임의의 형식의 데이터를 포함할 수 있다. 본 개시의 일 실시예에 따라, 학습 데이터 세트는, 모델의 학습에 사용된 제 1 학습 데이터 세트, 또는 모델의 재학습에 사용될 새로운 제 2 학습 데이터 세트 중 적어도 하나를 포함할 수 있다. 제 1 학습 데이터 세트는 모델의 학습에 사용된 학습 데이터 세트를 포함할 수 있다. 본 개시의 일 실시예에 따라, 제 2 학습 데이터 세트는 모델의 재학습에 사용될 새로운 학습 데이터 세트를 포함할 수 있다. 제 2 학습 데이터 세트는 센서로부터 실시간으로 획득하는 시계열 데이터 중 적어도 일부 및 그에 대응하는 라벨을 포함할 수 있다. 라벨은 자동으로 라벨링을 수행하는 모델(예를 들어, 오토 라벨링을 수행하는 학습된 모델)을 이용하여 획득한 값 또는 사용자의 선택 입력에 기초하여 결정된 값을 포함할 수 있다. 라벨은 또한 학습된 모델을 이용하여 입력 데이터에 대하여 획득한 값이 오분류 데이터에 해당하여 해당 입력 데이터에 대한 재라벨링된 값을 포함할 수 있다. 오분류 데이터는 모델을 이용하여 획득한 결과가 잘못 분류된 데이터를 의미할 수 있다. 오분류 데이터는 예를 들어, 데이터 서브 세트가 정상 데이터 서브 세트이지만, 비정상으로 분류된 데이터 일 수 있다. 프로세서(110)가 모델을 이용하여 해당 데이터 서브 세트가 어노말리라는 결과를 획득한 경우, 해당 데이터 서브 세트는 오분류된 데이터 서브 세트일 수 있다. 이러한 오분류된 데이터 서브 세트는 오퍼레이터 또는 다른 모델에 의하여 라벨이 수정될 수 있으며, 수정된 라벨을 부여하여 학습 데이터 세트에 포함될 수 있다. 어노말리는 정상이 아닌 비정형 패턴을 가지는 부분일 수 있다. 어노말리는 예를 들어, 제품의 흠결이 있는 부분을 포함할 수 있다. 어노말리는 또한, 기계의 동작(예를 들어, 로봇 팔의 동작) 중 오작동이 있는 부분을 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 프로세서(110)는 제 2 학습 데이터 세트를 사용자로 하여금 선택할 수 있도록 하는 학습 데이터 세트 선택 화면을 디스플레이 할 수 있다. 학습 데이터 추가 객체에 대한 선택 입력이 수신된 경우, 프로세서(110)는 학습 데이터 선택 화면을 디스플레이 할 수 있다. 이하에서는 학습 데이터 선택 화면에 대하여 도 6을 참조하여 구체적으로 설명된다.
본 개시의 일 실시예에 따라, 학습 데이터 세트 선택 화면(400)은 제 2 학습 데이터 세트를 사용자로 하여금 선택할 수 있도록 하는 화면을 포함할 수 있다. 프로세서(110)는 사용자로 하여금 모델 성능을 향상시키기 위해 필요한 제 2 학습 데이터 세트를 선택할 수 있도록 화면을 디스플레이 할 수 있다. 따라서, 사용자는 모델 재학습을 위하여 필요한 학습 데이터 세트를 디스플레이 된 학습 데이터 세트 선택 화면을 통해 선택할 수 있다. 프로세서(110)는 사용자가 선택한 학습 데이터 세트에 대한 선택 입력을 수신할 수 있다. 프로세서(110)는 선택된 학습 데이터 세트를 모델에 입력시켜 모델을 학습시킬 수 있다. 또한, 학습 데이터 세트 선택 화면(400)은 새롭게 추가된 학습 데이터 세트(예를 들어, 다른 회사로부터 구입한 학습 데이터 세트, 새로운 기계 장치에 관련된 학습 데이터 세트, 레시피 변경 전 후의 데이터 등)를 사용자로 하여금 선택할 수 있도록 하는 화면을 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 학습 데이터 세트 선택 화면은, 제 2 학습 데이터 세트를 사용자로 하여금 선택할 수 있도록 하는 화면으로서, 시계열 데이터를 모델에 입력시켜 획득한 데이터를 사전 결정된 제 1 기준을 기초로 필터링하기 위한 시간 변수 설정 영역 또는 시계열 데이터를 모델에 입력시켜 획득한 데이터를 사전 결정된 제 2 기준을 기초로 분할한 데이터 청크를 디스플레이하기 위한 데이터 청크 영역(450) 중 적어도 하나를 포함할 수 있다. 제 2 학습 데이터 세트는 모델의 재학습에 사용될 새로운 학습 데이터 세트를 포함할 수 있다. 본 개시의 일 실시예에 따라, 시간 변수 설정 영역은 시계열 데이터를 모델에 입력시켜 획득한 데이터를 사전 결정된 제 1 기준을 기초로 필터링하기 위한 영역을 포함할 수 있다. 사전 결정된 제 1 기준은 시간에 대한 기준을 포함할 수 있다. 사전 결정된 제 1 기준은 예를 들어, 연도, 월, 일, 시간, 분, 초 단위의 기간을 포함할 수 있다. 프로세서(110)는 사용자에 의하여 입력된 사전 결정된 제 1 기준에 기초하여, 입력된 기간에 해당하는 데이터만 학습 데이터 세트 선택 화면(400)에 디스플레이 할 수 있다. 예를 들어, 입력된 사전 결정된 제 1 기준이 2019년 10월 30일 00:00-24:00 인 경우, 프로세서(110)는 2019년 10월 30일 00:00-24:00 에 해당하는 데이터만 학습 데이터 세트 선택 화면(400)에 디스플레이 할 수 있다. 시간 변수 설정 영역은 특정 날짜에 대한 데이터를 필터링하기 위한 기간 설정 영역(410) 또는 특정 날짜의 특정 시간에 대한 데이터를 필터링하기 위한 시간 설정 영역(430)을 포함할 수 있다. 예를 들어, 기간 설정 영역(410)을 통해 2019년 10월 30일이라는 날짜를 수신하고, 시간 설정 영역(430)을 통해 6:00-12:00라는 시간을 수신할 수 있다. 이 경우, 프로세서(110)는 2019년 10월 30일 6:00-12:00에 대응하는 데이터를 학습 데이터 세트 선택 화면(400)에 디스플레이 할 수 있다. 구체적으로 학습 데이터 세트 선택 화면(400)에 디스플레이되는 데이터는 2019년 10월 30일 6:00-12:00에 대응하는 시계열 데이터를 모델에 입력시켜 획득한 데이터를 포함할 수 있다. 이를 통해, 프로세서(110)는 모델의 성능을 향상시키기 위하여 재라벨링이 필요한 시간대의 데이터를 선별적으로 사용자에게 제공할 수 있다. 따라서 사용자는 오분류 데이터가 존재하는 시간대를 설정하여 해당 시간대의 데이터만 선별적으로 디스플레이되는 화면을 통해 볼 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 데이터 청크 영역(450)은 시계열 데이터를 모델에 입력시켜 획득한 데이터를 사전 결정된 제 2 기준을 기초로 분할한 데이터 청크를 디스플레이하기 위한 영역을 포함할 수 있다. 데이터 청크는 데이터 세트의 적어도 일부인 데이터 서브 세트를 포함할 수 있다. 데이터 청크는 시계열 데이터를 모델에 입력시켜 획득한 데이터를 사전 결정된 제 2 기준을 기초로 분할된 데이터 중 일부를 포함할 수 있다. 데이터 청크는 각각 제 1 상태 및/또는 제 2 상태를 나타내는 것으로 분류될 수 있다. 제 1 상태, 제 2 상태는 프로세서(110)가 모델을 이용하여 이진 분류(Binary Classification)를 수행하는 경우, 이진 분류 결과를 의미할 수 있다. 예를 들어, 제 1 상태는 정상, 제 2 상태는 어노말리일 수 있다. 모델에 입력시켜 획득한 데이터를 프로세서(110)가 사전 결정된 제 2 기준에 기초하여 분할하는 방법은 후술한다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 데이터 청크는, 사전 결정된 제 2 기준을 기초로 분할된 복수개의 시계열 데이터를 모델에 입력시켜 획득한 데이터 세트 각각의 통계적 특징을 포함할 수 있다. 통계적 특징은 데이터 세트의 특성을 통계적 기법을 통해 나타낸 특징으로서, 데이터 세트의 확률 분포, 평균, 표준 편차, 분산 등을 포함할 수 있다. 따라서, 데이터 청크는 시계열 데이터를 모델에 입력시켜 획득한 데이터 세트 각각의 확률 분포, 평균, 표준 편차, 분산 등을 포함할 수 있다. 예를 들어, 데이터 청크가 5분 간격으로 분할된 경우, 프로세서(110)는 각 5분 간격으로 분할된 시계열 데이터 서브 세트를 모델에 입력시켜 획득한 데이터 세트의 평균값을 해당 데이터 청크에 대응하는 통계적 특징으로 결정할 수 있다. 또한 데이터 청크가 사전 결정된 제 2 기준으로 분할된 경우, 프로세서(110)는 사전 결정된 제 2 기준으로 분할된 시계열 데이터 서브 세트를 모델에 입력시켜 획득한 데이터 세트의 중앙값을 해당 데이터 청크에 대응하는 통계적 특징으로 결정할 수도 있다. 프로세서(110)는 데이터 청크의 통계적 특징을 디스플레이할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 사전 결정된 제 2 기준은, 모델을 이용하여 획득한 데이터 중 오분류 데이터를 검출하기 위한 기준으로서, 모델을 이용하여 획득한 데이터가 제 1 상태에서 제 2 상태로 변하는 제 1 포인트, 모델의 출력이 제 2 상태에서 제 1 상태로 변하는 제 2 포인트 제 1 상태인 모델의 출력에 존재하는 임의의 제 3 포인트 또는 제 2 상태인 모델의 출력에 존재하는 임의의 제 4 포인트 중 적어도 하나에 기초하여 시계열 데이터를 모델에 입력시켜 획득한 데이터를 복수개의 데이터 청크로 분할하는 기준을 포함할 수 있다. 제 1 상태, 제 2 상태는 프로세서(110)가 모델을 이용하여 이진 분류를 수행하는 경우, 이진 분류 결과를 의미할 수 있다. 예를 들어, 제 1 상태는 정상, 제 2 상태는 어노말리일 수 있다. 프로세서(110)는 데이터 청크를 분할하는 기준을 제 1 포인트 및/또는 제 2 포인트로 결정할 수 있다. 따라서 프로세서(110)는 제 1 상태에서 제 2 상태로 변하는 제 1 포인트를 데이터 청크의 시작점으로 결정할 수 있다. 이 경우, 프로세서(110)는 제 2 상태에서 제 1 상태로 변하는 제 2 포인트를 해당 데이터 청크의 종료점으로 결정할 수 있다. 반대로, 프로세서(110)는 제 2 상태에서 제 1 상태로 변하는 제 2 포인트를 데이터 청크의 시작점으로 결정할 수 있다. 이 경우, 프로세서(110)는 제 1 상태에서 제 2 상태로 변하는 제 1 포인트를 해당 데이터 청크의 종료점으로 결정할 수도 있다. 이를 통해, 프로세서(110)는 모델의 출력이 정상인 데이터 청크, 모델의 출력이 어노말리인 데이터 청크를 분류할 수 있다.
본 개시의 다른 일 실시예에 따라, 사전 결정된 제 2 기준은 제 1 상태인 모델의 출력에 존재하는 임의의 제 3 포인트에 기초하여 시계열 데이터를 모델에 입력시켜 획득한 데이터를 복수개의 데이터 청크로 분할하는 기준을 포함할 수 있다. 본 개시의 일 실시예에서, 제 1 상태는 정상, 제 2 상태는 어노말리일 수 있다. 제 3 포인트는 정상인 모델의 출력을 적어도 하나 이상의 데이터 청크로 분할하기 위한 포인트를 포함할 수 있다. 프로세서(110)는 정상인 모델의 출력에 존재하는 임의의 제 3 포인트를 기준으로 정상인 모델의 출력을 복수개의 데이터 청크로 분할할 수 있다. 예를 들어, 프로세서(110)는 제 3 포인트를 시작점으로 결정하고 다른 제 3 포인트를 종료점으로 결정할 수 있다. 이를 통해, 프로세서(110)는 정상인 모델의 출력에 대해서도 세분화된 데이터 청크를 획득할 수 있다. 또 다른 예시로는 프로세서(110)는 제 1 포인트를 시작점으로 결정하고 제 3 포인트를 종료점으로 결정할 수 있다. 프로세서(110)는 제 2 포인트를 시작점으로 결정하고 다른 제 3 포인트를 종료점으로 결정할 수 있다. 프로세서(110)는 제 3 포인트를 시작점으로 결정하고 제 1 포인트 및/또는 제 2 포인트를 종료점으로 결정할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 다른 일 실시예에 따라, 사전 결정된 제 2 기준은 제 2 상태인 모델의 출력에 존재하는 임의의 제 4 포인트에 기초하여 시계열 데이터를 모델에 입력시켜 획득한 데이터를 복수개의 데이터 청크로 분할하는 기준을 포함할 수 있다. 본 개시의 일 실시예에서, 제 1 상태는 정상, 제 2 상태는 어노말리일 수 있다. 제 4 포인트는 어노말리인 모델의 출력을 적어도 하나 이상의 데이터 청크로 분할하기 위한 포인트를 포함할 수 있다. 프로세서(110)는 어노말리인 모델의 출력에 존재하는 임의의 제 4 포인트를 기준으로 어노말리인 모델의 출력을 복수개의 데이터 청크로 분할할 수 있다. 예를 들어, 프로세서(110)는 제 4 포인트를 시작점으로 결정하고 다른 제 4 포인트를 종료점으로 결정할 수 있다. 이를 통해, 프로세서(110)는 어노말리인 모델의 출력에 대해서도 세분화된 데이터 청크를 획득할 수 있다. 또 다른 예시로는 프로세서(110)는 제 1 포인트를 시작점으로 결정하고 제 4 포인트를 종료점으로 결정할 수 있다. 프로세서(110)는 제 2 포인트를 시작점으로 결정하고 제 4 포인트를 종료점으로 결정할 수 있다. 프로세서(110)는 제 3 포인트를 시작점으로 결정하고 제 4 포인트를 종료점으로 결정할 수 있다. 프로세서(110)는 제 4 포인트를 시작점으로 결정하고 제 1 포인트, 제 2 포인트 및/또는 제 3 포인트를 종료점으로 결정할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
따라서 프로세서(110)는 분류 결과별 데이터 청크를 데이터 청크 영역(450)에 디스플레이할 수 있다. 디스플레이된 데이터 청크를 사용자가 보고 어떤 데이터 청크가 오분류 데이터인지 판단할 수 있다. 예를 들어, 도 6에 도시된 바와 같이 데이터 청크 영역(450)에는 데이터 청크1(451), 데이터 청크2(453), 데이터 청크3(455)이 디스플레이될 수 있다. 여기서 데이터 청크1(451)은 오분류 데이터(예를 들어, False Positive-정상 데이터이지만 모델을 이용하여 획득한 출력이 어노말리인 경우)일 수 있다. 즉, 모델의 예측이 잘못된 경우, 프로세서(110)는 사용자로부터 입력 신호를 수신하여 오분류된 데이터 청크를 재라벨링할 수 있다. 즉 정상 데이터이지만 모델을 이용하여 획득한 출력이 어노말리인 경우, 프로세서(110) 해당 데이터의 라벨을 정상으로 재라벨링할 수 있다. 프로세서(110)는 재라벨링된 데이터 청크를 모델에 입력시켜 모델을 재학습시킬 수 있다. 이를 통해, 프로세서(110)는 모델이 잘못 예측하는 부분에 대하여 모델을 업데이트 할 수 있다. 이러한 업데이트 과정을 통해 궁극적으로 모델의 예측 정확도를 향상시킬 수 있다. 데이터 청크3(455)의 경우, 모델을 이용하여 획득한 결과값이 Normal일 수 있다. 그리고 입력된 데이터도 Normal일 수 있다. 이 경우, 데이터 청크3(455)는 정확하게 예측 및/또는 분류된 데이터 세트일 수 있다. 따라서, 데이터 청크3에 대해서는 모델에 다시 입력시켜 재학습시킬 필요성이 떨어질 수 있다. 이 경우, 프로세서(110)는 데이터 청크3에 대해서는 재라벨링을 수행하지 않을 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 데이터 청크는, 사용자에게 모델 재학습에 이용될 데이터 청크를 데이터 청크 추천 알고리즘을 통해 산출된 데이터 청크를 포함하는 데이터 청크, 또는 사용자 선택 입력 신호를 수신하여 선택된 데이터 청크와 통계적 특징이 유사한 적어도 하나의 데이터 청크를 포함하는 데이터 청크 중 적어도 하나를 포함할 수 있다. 데이터 청크 추천 알고리즘은 사용자에게 모델 재학습에 이용될 데이터 청크를 추천하는 알고리즘을 포함할 수 있다. 구체적으로 데이터 청크 추천 알고리즘은 모델의 성능을 향상시키기 위하여 필요한 데이터 청크를 추천해주는 알고리즘을 포함할 수 있다. 데이터 청크 추천 알고리즘은 예를 들어 오분류된 데이터 청크를 추천하는 알고리즘, 오분류된 데이터가 가장 많이 발생하는 시간 정보를 출력하는 알고리즘 등을 포함할 수 있다. 프로세서(110)는 오분류된 데이터 청크를 자동으로 검출하여 디스플레이할 수 있다. 또한 프로세서(110)는 오분류된 데이터가 가장 많이 발생하는 시간대의 데이터 청크를 디스플레이할 수도 있다. 따라서, 프로세서(110)는 데이터 청크 추천 알고리즘을 통해 산출된 데이터 청크를 디스플레이함으로써, 사용자로 하여금 모델의 재학습에 필요한 데이터를 신속하게 찾을 수 있도록 도와줄 수 있다. 이를 통해, 사용자는 모델의 재학습에 필요한 데이터 또는 데이터 세트를 선별적으로 보게 됨으로써, 모델 재학습에 필요한 의사 결정을 신속하게 할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 데이터 청크는 사용자 선택 입력 신호를 수신하여 선택된 데이터 청크와 통계적 특징이 유사한 적어도 하나의 데이터 청크를 포함할 수 있다. 프로세서(110)는 사용자의 선택 입력을 수신하여 선택된 데이터 청크와 통계적 특징이 유사한(예를 들어, 평균값이 유사한, 확률 분포가 유사한, 분산이 유사한) 데이터 청크를 디스플레이할 수 있다. 이를 통해, 사용자가 선택한 오분류 데이터 청크에 대한 선택 입력을 수신하는 경우, 프로세서(110)는 해당 데이터 청크와 통계적 특징이 유사한 데이터 청크를 디스플레이함으로써 모델 재학습에 필요한 데이터를 사용자로 하여금 신속하게 볼 수 있도록 할 수 있다. 따라서, 프로세서(110)는 추천 알고리즘을 통해 산출된 데이터 청크 및/또는 사용자의 선택 입력을 수신하여 선택된 데이터 청크와 통계적 특징이 유사한 데이터 청크를 데이터 청크 영역(450)에 디스플레이함으로써, 사용자가 모델 재학습에 필요할 수 있는 데이터 세트를 한눈에 쉽게 파악할 수 있다. 즉, 오분류 데이터와 통계적 특징이 유사한 데이터 청크는 오분류 데이터일 가능성이 높을 수 있다. 따라서, 프로세서(110)는 데이터 청크와 통계적 특징이 유사한 데이터 청크를 디스플레이함으로써 오분류 데이터일 가능성이 높은 데이터 청크들만 선별적으로 디스플레이할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 프로세서(110)는 제 2 출력 영역에 모델 아카이브 출력 화면을 디스플레이할 수 있다. 프로세서(110)는 모델 아카이브 선택 객체(337)에 대한 입력 신호를 수신하여 모델 아카이브 출력 화면(510)을 제 2 출력 영역(340)에 디스플레이할 수 있다. 모델 아카이브 출력 화면은 도 7을 참조하여 구체적으로 설명된다.
본 개시의 일 실시예에 따라, 모델 아카이브 출력 화면(510)은 복수개의 모델 각각에 대한 정보를 디스플레이하는 화면을 포함할 수 있다. 모델 아카이브 출력 화면(510)은 모델 아카이브에 저장된 복수개의 모델을 사용자가 볼 수 있도록 디스플레이하기 위한 모델 리스트 출력 영역(513) 또는 사용자의 선택 입력 신호를 수신하여 선택된 모델에 대한 정보를 디스플레이하는 모델 정보 출력 영역(515) 중 적어도 하나를 포함할 수 있다. 모델 아카이브는 복수개의 모델이 저장된 저장소를 포함할 수 있다. 모델 아카이브는 예를 들어, 학습된 모델, 학습되지 않은 모델, 재학습된 모델 등을 포함할 수 있다. 프로세서(110)는 모델 아카이브에서 사용자의 입력 신호를 수신하여 사용자가 선택한 모델을 호출할 수 있다. 본 개시의 일 실시예에 따라, 모델 리스트 출력 영역(513)은 모델 아카이브에 저장된 복수개의 모델을 한눈에 볼 수 있도록 디스플레이하기 위한 영역을 포함할 수 있다. 모델 리스트 출력 영역(513)은 사용자의 선택 입력에 기초하여 선별된 모델을 한눈에 볼 수 있도록 디스플레이하기 위한 영역을 포함할 수 있다. 예를 들어, 모델 리스트 출력 영역(513)은 프로젝트에 포함된 모델, 사용자가 선택한 모델, 사용자에게 추천된 모델 등을 포함할 수 있다. 본 개시의 일 실시예에 따라, 모델 정보 출력 영역(515)은 사용자의 선택 입력 신호를 수신하여 선택된 모델에 대한 정보를 디스플레이하기 위한 영역을 포함할 수 있다. 모델 정보 출력 영역(515)은 예를 들어, 모델 이름, 모델 상태(예를 들어, 학습 전, 학습 후, 학습 중), 모델 생성 날짜, 모델을 학습시킨 학습 데이터 세트 정보 등이 디스플레이 된 영역을 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
모델 리스트에 포함된 모델을 도 8 및 도 9을 참조하여 구체적으로 설명된다.
본 개시의 일 실시예에 따라, 모델 리스트는 프로젝트를 진행하면서 학습된 모델, 제 2 학습 데이터 세트를 학습된 모델에 입력시켜 재학습된 모델(517), 모델 아카이브에 포함된 복수개의 모델 중에서 유사한 통계적 특징을 가지는 모델을 통합하여 새롭게 생성된 모델(525), 또는 새롭게 입력된 데이터에 대응하는 모델을 사용자에게 추천하기 위하여, 모델 아카이브에 포함된 복수개의 모델 각각의 히트율에 기초하여 결정된 모델(521) 중 적어도 하나를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다. 복수의 모델을 이용한 다중 정상 상태 환경에서의 어노말리 디택션에 관해서는 전체가 본 명세서에 참조로서 통합되는 한국 특허 출원 10-2018-0080482(2018.07.11)에서 구체적으로 논의된다.
본 개시의 일 실시예에 따라, 도 8에서는 모델 아카이브(520) 및 히트된 모델(521)이 도시되어 있다. 히트된 모델(521)은 새롭게 입력된 데이터에 대응하는 모델을 사용자에게 추천하기 위하여, 모델 아카이브에 포함된 복수개의 모델 각각의 히트율에 기초하여 결정된 모델을 포함할 수 있다. 히트율은 입력 데이터가 해당 모델에 의하여 정상 또는 비정상으로 판별(예를 들어, 최종 판단)될 확률을 포함할 수 있다. 새롭게 입력된 시계열 데이터에 대하여 사용자는 어떤 모델이 최적의 결과를 출력하는지 알지 못할 수도 있다. 또한 모델 아카이브에 포함된 모든 모델에 새롭게 입력된 시계열 데이터를 입력시켜 성능을 비교하는 경우, 많은 시간과 비용이 소모될 수도 있다. 따라서 새롭게 입력된 시계열 데이터에 대하여 프로세서(110)는 모델 아카이브(520)에 저장된 모델 중 히트할 가능성이 높은 모델을 선정하여, 선정된 모델을 디스플레이할 수 있다. 이를 통해, 사용자는 새롭게 입력된 데이터에 대하여 적합한 모델을 실험 과정을 거치지 않고 신속하게 획득할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 도 8에서는 모델 아카이브(520), 비슷한 분포를 가진 모델(523) 및 통합된 모델(525)이 도시되어 있다. 프로세서(110)는 비슷한 분포를 가진 모델(523)을 통합시켜 통합된 모델(525)을 새롭게 생성할 수 있다. 즉, 프로세서(110)는 새롭게 입력된 데이터에 대하여 이용될 가능성이 낮은 모델을 적어도 하나 이상 통합시킴으로써, 새롭게 입력된 데이터에 대하여 이용될 가능성이 높은 모델을 생성할 수도 있다. 이를 통해, 프로세서(110)는 이용될 가능성이 높은 군에 포함된 모델들 각각에 대한 히트율을 선별적으로 산출함으로써, 새롭게 입력된 데이터에 대하여 적합한 모델을 신속하게 산출할 수도 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 프로세서(110)는 제 2 출력 영역에 감지된 어노말리 출력 화면을 디스플레이할 수 있다. 프로세서(110)는 감지된 어노말리 출력 선택 객체(339)에 대한 입력 신호를 수신하여 감지된 어노말리 출력 화면(530)을 제 2 출력 영역(340)에 디스플레이 할 수 있다. 감지된 어노말리 출력 화면은 도 10을 참조하여 구체적으로 서술된다.
본 개시의 일 실시예에 따라, 프로세서(110)는 제 2 출력 영역에 감지된 어노말리 출력 화면(530)을 디스플레이 할 수 있다. 감지된 어노말리 출력 화면(530)은 모델을 이용하여 획득한 어노말리 감지 결과를 디스플레이하기 위한 어노말리 감지 결과 출력 영역을 포함할 수 있다.
본 개시의 일 실시예에 따라, 감지된 어노말리 출력 화면(530)은, 모델을 이용하여 획득한 데이터 중 어노말리 데이터에 관련된 정보를 디스플레이하기 위한 화면을 포함할 수 있다. 감지된 어노말리 출력 화면(530)은 모델을 이용하여 획득한 어노말리 데이터 리스트를 디스플레이하기 위한 어노말리 감지 결과 출력 영역(531) 또는 사용자 선택 입력 신호를 수신하여 선택된 어노말리 데이터에 대한 정보를 디스플레이하기 위한 어노말리 정보 출력 영역(533) 중 적어도 하나를 포함할 수 있다. 어노말리 감지 결과 출력 영역(531)은 모델을 이용하여 획득한 어노말리 데이터 리스트를 디스플레이하기 위한 영역을 포함할 수 있다. 예를 들어, 프로세서(110)는 모델을 이용하여 획득한 데이터 중 어노말리로 분류된 데이터를 어노말리 감지 결과 출력 영역(531)에 디스플레이할 수 있다. 어노말리 정보 출력 영역(533)은 사용자의 선택 입력 신호를 수신하여 선택된 어노말리 데이터에 대한 정보를 디스플레이하기 위한 영역을 포함할 수 있다. 예를 들어, 프로세서(110)는 사용자의 선택 입력 신호를 수신하여 선택된 어노말리 데이터에 대한 정보인 어노말리가 발생한 시작 시간, 어노말리가 끝난 종료 시간, 어노말리가 발생한 기간 등을 디스플레이할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 프로세서(110)는 제 2 출력 영역에 모델 성능 출력 화면을 디스플레이 할 수 있다. 프로세서(110)는 성능 모니터링 선택 객체(331)에 대한 입력 신호를 수신하여 모델 성능 출력 화면(550)을 제 2 출력 영역(340)에 디스플레이 할 수 있다. 모델 성능 출력 화면은 도 11을 참조하여 구체적으로 서술된다.
본 개시의 일 실시예에 따라, 도 11에 도시된 바와 같이 프로세서(110)는 제 2 출력 영역에 모델 성능 출력 화면(550)을 디스플레이 할 수 있다. 모델 성능 출력 화면(550)은 모델의 성능 정보를 디스플레이하기 위한 화면을 포함할 수 있다. 모델의 성능 정보는 모델의 성능과 관련되는 정보를 모두 포함할 수 있다. 예를 들어, 모델의 성능 정보는 모델이 입력 데이터에 대하여 얼마나 정확한 예측 결과값을 출력하는지에 대한 척도를 포함할 수 있다. 또한 모델의 성능 정보는 프로세서(110)가 모델을 이용하여 획득한 예측값을 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시에 따라, 모델을 학습시키기 위한 사용자 인터페이스를 제공함으로써, 인공지능 분야에 대한 전문 지식이 없는 사람이라도, 이상이 발생한 부분에 대하여 모델을 재학습시킬 수 있도록 도울 수 있다. 이를 통해, 인공지능 분야에 대한 전문 지식이 없는 사람도 모델을 유지, 보수하거나 새로운 데이터를 모델에 입력시켜 모델을 재학습시킬 수도 있다. 따라서, 모델 개선을 위하여 모델을 사용하는 다양한 도메인의 전문가(예를 들어, 제조, 의료, 법률, 경영, 제조)들이 자신이 직접 문제점을 발견하고 자신들의 전문성을 가미하여 모델을 업데이트할 수 있다. 따라서 본 개시를 통해, 딥러닝 모델을 사용하는 과정이 단순화되고 필요한 정보만 선택적으로 출력함에 따라, 딥러닝 기술이 다양한 기술 도메인에 확장 적용되는 속도를 증가시킬 수 있다.
도 2는 본 개시의 일 실시예에 따라, 신경망을 학습시키기 위한 방법에서 학습의 대상이 되는 신경망을 예시적으로 도시한 도면이다.
본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.
신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 노드는 파라미터를 가질 수 있다. 파라미터는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 파라미터에 기초하여 출력 노드 값을 결정할 수 있다.
상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 파라미터의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 파라미터 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.
신경망은 하나 이상의 노드들을 포함하여 구성될 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.
최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다. 본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.
딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨볼루셔널 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에서 네트워크 함수는 오토 인코더를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 차원 감소 레이어와 차원 복원 레이어의 노드는 대칭일 수도 있고 아닐 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 남은 센서들의 수와 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.
뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 및 반교사학습(semi supervised learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 출력의 오류를 최소화하기 위한 것이다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 파라미터를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨이 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 파라미터가 업데이트 될 수 있다. 업데이트 되는 각 노드의 파라미터는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.
뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 생략하는 드롭아웃(dropout) 등의 방법이 적용될 수 있다.
본 개시의 일 실시예에 따라 데이터 구조를 저장한 컴퓨터 판독가능 매체가 개시된다.
데이터 구조는 데이터에 효율적인 접근 및 수정을 가능하게 하는 데이터의 조직, 관리, 저장을 의미할 수 있다. 데이터 구조는 특정 문제(예를 들어, 최단 시간으로 데이터 검색, 데이터 저장, 데이터 수정) 해결을 위한 데이터의 조직을 의미할 수 있다. 데이터 구조는 특정한 데이터 처리 기능을 지원하도록 설계된, 데이터 요소들 간의 물리적이거나 논리적인 관계로 정의될 수도 있다. 데이터 요소들 간의 논리적인 관계는 사용자가 생각하는 데이터 요소들 간의 연결관계를 포함할 수 있다. 데이터 요소들 간의 물리적인 관계는 컴퓨터 판독가능 저장매체(예를 들어, 하드 디스크)에 물리적으로 저장되어 있는 데이터 요소들 간의 실제 관계를 포함할 수 있다. 데이터 구조는 구체적으로 데이터의 집합, 데이터 간의 관계, 데이터에 적용할 수 있는 함수 또는 명령어를 포함할 수 있다. 효과적으로 설계된 데이터 구조를 통해 컴퓨팅 장치는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산을 수행할 수 있다. 구체적으로 컴퓨팅 장치는 효과적으로 설계된 데이터 구조를 통해 연산, 읽기, 삽입, 삭제, 비교, 교환, 검색의 효율성을 높일 수 있다.
데이터 구조는 데이터 구조의 형태에 따라 선형 데이터 구조와 비선형 데이터 구조로 구분될 수 있다. 선형 데이터 구조는 하나의 데이터 뒤에 하나의 데이터만이 연결되는 구조일 수 있다. 선형 데이터 구조는 리스트(List), 스택(Stack), 큐(Queue), 데크(Deque)를 포함할 수 있다. 리스트는 내부적으로 순서가 존재하는 일련의 데이터 집합을 의미할 수 있다. 리스트는 연결 리스트(Linked List)를 포함할 수 있다. 연결 리스트는 각각의 데이터가 포인터를 가지고 한 줄로 연결되어 있는 방식으로 데이터가 연결된 데이터 구조일 수 있다. 연결 리스트에서 포인터는 다음이나 이전 데이터와의 연결 정보를 포함할 수 있다. 연결 리스트는 형태에 따라 단일 연결 리스트, 이중 연결 리스트, 원형 연결 리스트로 표현될 수 있다. 스택은 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조일 수 있다. 스택은 데이터 구조의 한 쪽 끝에서만 데이터를 처리(예를 들어, 삽입 또는 삭제)할 수 있는 선형 데이터 구조일 수 있다. 스택에 저장된 데이터는 늦게 들어갈수록 빨리 나오는 데이터 구조(LIFO-Last in First Out)일 수 있다. 큐는 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조로서, 스택과 달리 늦게 저장된 데이터일수록 늦게 나오는 데이터 구조(FIFO-First in First Out)일 수 있다. 데크는 데이터 구조의 양 쪽 끝에서 데이터를 처리할 수 있는 데이터 구조일 수 있다.
비선형 데이터 구조는 하나의 데이터 뒤에 복수개의 데이터가 연결되는 구조일 수 있다. 비선형 데이터 구조는 그래프(Graph) 데이터 구조를 포함할 수 있다. 그래프 데이터 구조는 정점(Vertex)과 간선(Edge)으로 정의될 수 있으며 간선은 서로 다른 두개의 정점을 연결하는 선을 포함할 수 있다. 그래프 데이터 구조 트리(Tree) 데이터 구조를 포함할 수 있다. 트리 데이터 구조는 트리에 포함된 복수개의 정점 중에서 서로 다른 두개의 정점을 연결시키는 경로가 하나인 데이터 구조일 수 있다. 즉 그래프 데이터 구조에서 루프(loop)를 형성하지 않는 데이터 구조일 수 있다.
본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. (이하에서는 신경망으로 통일하여 기술한다.) 데이터 구조는 신경망을 포함할 수 있다. 그리고 신경망을 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망을 포함한 데이터 구조는 또한 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수를 포함할 수 있다. 신경망을 포함한 데이터 구조는 상기 개시된 구성들 중 임의의 구성 요소들을 포함할 수 있다. 즉 신경망을 포함한 데이터 구조는 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 트레이닝을 위한 손실 함수 등 전부 또는 이들의 임의의 조합을 포함하여 구성될 수 있다. 전술한 구성들 이외에도, 신경망을 포함한 데이터 구조는 신경망의 특성을 결정하는 임의의 다른 정보를 포함할 수 있다. 또한, 데이터 구조는 신경망의 연산 과정에 사용되거나 발생되는 모든 형태의 데이터를 포함할 수 있으며 전술한 사항에 제한되는 것은 아니다. 컴퓨터 판독가능 매체는 컴퓨터 판독가능 기록 매체 및/또는 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다.
데이터 구조는 신경망에 입력되는 데이터를 포함할 수 있다. 신경망에 입력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망에 입력되는 데이터는 신경망 학습 과정에서 입력되는 학습 데이터 및/또는 학습이 완료된 신경망에 입력되는 입력 데이터를 포함할 수 있다. 신경망에 입력되는 데이터는 전처리(pre-processing)를 거친 데이터 및/또는 전처리 대상이 되는 데이터를 포함할 수 있다. 전처리는 데이터를 신경망에 입력시키기 위한 데이터 처리 과정을 포함할 수 있다. 따라서 데이터 구조는 전처리 대상이 되는 데이터 및 전처리로 발생되는 데이터를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
데이터 구조는 신경망에 입력되거나, 신경망에서 출력되는 데이터를 포함할 수 있다. 신경망에 입력되거나, 출력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 컴퓨터 판독가능 매체에 저장된 데이터 구조는 신경망의 추론 과정에서 입력되는 데이터, 또는 신경망의 추론 결과 출력되는 출력 데이터를 포함할 수 있다. 또한, 데이터 구조는 특정한 데이터 가공 방법에 의하여 가공되는 데이터를 포함할 수 있으므로, 가공 전 후의 데이터를 포함할 수 있다. 따라서, 데이터 구조는 가공의 대상이 되는 데이터 및 데이터 가공 방법을 통해 가공된 데이터를 포함할 수 있다.
데이터 구조는 신경망의 가중치를 포함할 수 있다. (본 명세서에서 가중치, 파라미터는 동일한 의미로 사용될 수 있다.) 그리고 신경망의 가중치를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망은 복수개의 가중치를 포함할 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 파라미터에 기초하여 출력 노드 값을 결정할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
제한이 아닌 예로서, 가중치는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함할 수 있다. 신경망 학습 과정에서 가변되는 가중치는 학습 사이클이 시작되는 시점의 가중치 및/또는 학습 사이클 동안 가변되는 가중치를 포함할 수 있다. 신경망 학습이 완료된 가중치는 학습 사이클이 완료된 가중치를 포함할 수 있다. 따라서 신경망의 가중치를 포함한 데이터 구조는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함한 데이터 구조를 포함할 수 있다. 그러므로 상술한 가중치 및/또는 각 가중치의 조합은 신경망의 가중치를 포함한 데이터 구조에 포함되는 것으로 한다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
신경망의 가중치를 포함한 데이터 구조는 직렬화(serialization) 과정을 거친 후 컴퓨터 판독가능 저장 매체(예를 들어, 메모리, 하드 디스크)에 저장될 수 있다. 직렬화는 데이터 구조를 동일하거나 다른 컴퓨팅 장치에 저장하고 나중에 다시 재구성하여 사용할 수 있는 형태로 변환하는 과정일 수 있다. 컴퓨팅 장치는 데이터 구조를 직렬화하여 네트워크를 통해 데이터를 송수신할 수 있다. 직렬화된 신경망의 가중치를 포함한 데이터 구조는 역직렬화(deserialization)를 통해 동일한 컴퓨팅 장치 또는 다른 컴퓨팅 장치에서 재구성될 수 있다. 신경망의 가중치를 포함한 데이터 구조는 직렬화에 한정되는 것은 아니다. 나아가 신경망의 가중치를 포함한 데이터 구조는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산의 효율을 높이기 위한 데이터 구조(예를 들어, 비선형 데이터 구조에서 B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree)를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
데이터 구조는 신경망의 하이퍼 파라미터(Hyper-parameter)를 포함할 수 있다. 그리고 신경망의 하이퍼 파라미터를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 하이퍼 파라미터는 사용자에 의해 가변되는 변수일 수 있다. 하이퍼 파라미터는 예를 들어, 학습률(learning rate), 비용 함수(cost function), 학습 사이클 반복 횟수, 가중치 초기화(Weight initialization)(예를 들어, 가중치 초기화 대상이 되는 가중치 값의 범위 설정), Hidden Unit 개수(예를 들어, 히든 레이어의 개수, 히든 레이어의 노드 수)를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
도 3은 본 개시의 일 실시예에 따라, 제 1 화면을 예시적으로 도시한 도면이다.
본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 프로젝트에 대한 선택 입력을 수신하기 위한 적어도 하나의 제 1 객체(230)를 포함하는 제 1 화면(200)을 디스플레이 할 수 있다. 프로젝트(210)는 인공지능을 이용하여 특정 목표를 달성하기 위한 인공지능 관련 프로젝트를 포함할 수 있다. 구체적으로 프로젝트(210)는 딥러닝을 이용하여 특정 목표를 달성하기 위한 딥러닝 관련 프로젝트를 포함할 수 있다. 제 1 객체(230)는 프로젝트(210)를 선택하기 위한 객체를 포함할 수 있다. 제 1 객체(230)는 선택한 프로젝트(210)에 대한 제 2 화면으로 넘어가는 기능을 포함할 수 있다. 제 1 객체(230)는 예를 들어, 화면에서의 아이콘을 포함할 수 있다. 제 1 화면(200)은 사용자가 진행하는 적어도 하나 이상의 프로젝트가 디스플레이되는 화면일 수 있다. 제 1 화면(200)은 사용자가 진행하는 복수개의 프로젝트를 한눈에 보기 쉽게 디스플레이하는 화면을 포함할 수 있다. 선택 입력은 사용자가 선택한 사항에 대한 정보를 포함하는 입력 신호를 포함할 수 있다. 따라서 컴퓨팅 장치(100)는 선택 입력을 수신하는 경우, 해당 선택에 기초하여 연산을 수행하거나 선택 입력에 대한 결과물을 화면에 디스플레이 할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 프로젝트(210)는 인공지능을 이용하여 특정 목표를 달성하기 위한 인공지능 관련 프로젝트를 포함할 수 있다. 특정 목표는, 인공지능이 적용된 모델의 성능을 향상시키는 목표를 포함할 수 있다. 특정 목표는 예를 들어, 모델의 예측 정확도 향상, 모델의 학습 시간 단축, 모델 학습에 사용되는 연산량 또는 전력량 감소 등을 포함할 수 있다. 또한 특정 목표는 특정 도메인(예를 들어, 제조업, 의료, 법률, 경영, 금융)에서 예측값(예를 들어, 금융의 경우 주가 예측)을 획득하기 위한 모델을 생성하는 목표를 포함할 수도 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 선택된 프로젝트와 대응되는 프로젝트 관련 정보를 디스플레이 하기 위한 제 2 화면을 디스플레이 할 수 있다. 제 2 화면은 제 1 화면의 선택 입력을 수신하여 컴퓨팅 장치(100)가 해당 선택 입력에 대응하는 프로젝트 관련 정보를 디스플레이한 화면을 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
도 4은 본 개시의 일 실시예에 따라, 제 2 화면을 예시적으로 도시한 도면이다.
본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 선택된 프로젝트와 대응되는 프로젝트 관련 정보를 디스플레이 하기 위한 제 2 화면(300)을 디스플레이 할 수 있다. 제 2 화면(300)은 특정 프로젝트에 대한 정보를 디스플레이하는 화면을 포함할 수 있다. 제 2 화면(300)은 사용자가 딥러닝 모델의 성능을 향상시키기 위하여 필요한 정보를 디스플레이하는 화면을 포함할 수 있다. 제 2 화면(300)은 예를 들어, 딥러닝 모델의 성능을 향상시키기 위한 정보가 디스플레이되는 사용자 인터페이스를 포함할 수 있다. 따라서 제 2 화면(300)은 모델의 성능 정보, 모델의 학습에 사용되는 학습 데이터 세트에 대한 정보, 컴퓨팅 장치(100)가 모델을 이용하여 출력한 예측값 등을 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 제 2 화면은, 센서로부터 획득한 시계열 데이터를 디스플레이하기 위한 제 1 출력 영역(310), 모델 재학습에 관련된 선택 입력을 수신하기 위한 적어도 하나의 제 2 객체를 포함하는 선택 영역(330) 또는 제 2 객체에 대응하는 정보를 디스플레이 하기 위한 제 2 출력 영역(340) 중 적어도 하나를 포함할 수 있다. 제 1 출력 영역(310)은 센서로부터 획득한 시계열 데이터를 디스플레이하기 위한 영역을 포함할 수 있다. 예를 들어, 제 1 출력 영역(310)은 센서로부터 획득한 시계열 데이터를 실시간으로 디스플레이 하기 위한 영역을 포함할 수 있다. 센서로부터 획득한 시계열 데이터는 예를 들어, 로봇 관절에 부착된 센서로부터 획득한 시계열 데이터, 물질 측정 센서로부터 획득한 시계열 데이터, 온도 데이터, 풍향, 풍속 데이터, 자외선 센서 데이터, 적외선 센서 데이터, 광 센서 데이터, 소리 센서 데이터 등을 포함할 수 있다. 제 2 출력 영역(340)은 제 2 객체에 대응하는 정보를 디스플레이 하기 위한 영역을 포함할 수 있다. 컴퓨팅 장치(100)는 제 2 객체에 대한 선택 입력을 수신하여 제 2 객체에 대응하는 정보를 디스플레이할 수 있다. 예를 들어, 제 2 객체(예를 들어, 학습 데이터 선택 아이콘)에 대한 선택 입력을 수신한 경우, 컴퓨팅 장치(100)는 학습 데이터 관련 정보를 제 2 출력 영역(340)에 디스플레이할 수 있다. 선택 영역은 모델 재학습에 관련된 선택 입력을 수신하기 위한 적어도 하나의 제 2 객체가 포함된 영역을 포함할 수 있다. 선택 영역(330)은 모델 학습에 관련된 정보를 제 2 출력 영역에 디스플레이하기 위한 객체가 포함된 영역일 수 있다. 예를 들어, 선택 영역(330)은 사용자로 하여금 사용자가 원하는 모델 재학습 관련 정보를 제 2 출력 영역을 통해 볼 수 있도록 하기 위하여, 사용자 인터페이스 상의 복수개의 아이콘을 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 선택 영역은, 모델 학습에 관련된 정보를 제 2 출력 영역에 디스플레이하기 위한 객체가 포함된 영역으로서,모델의 성능 정보를 제 2 출력 영역에 디스플레이하기 위한 성능 모니터링 선택 객체(331), 모델의 학습과 관련된 학습 데이터 세트 정보를 제 2 출력 영역에 디스플레이하기 위한 학습 데이터 세트 선택 객체(333), 적어도 하나 이상의 모델에 대한 정보를 제 2 출력 영역에 디스플레이하기 위한 모델 아카이브 선택 객체(337), 또는 모델을 이용하여 감지된 어노말리 정보를 상기 제 2 출력 영역에 디스플레이하기 위한 감지된 어노말리 출력 선택 객체(339) 중 적어도 하나를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 성능 모니터링 선택 객체(331)는 모델의 성능 정보를 제 2 출력 영역에 디스플레이하기 위한 객체를 포함할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 성능 모니터링 선택 객체(331)에 대한 선택 입력을 수신하는 경우, 모델 성능 정보(예를 들어, 모델의 예측 정확도)를 제 2 출력 영역에 디스플레이할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 학습 데이터 세트 선택 객체(333)는 모델의 학습과 관련된 학습 데이터 세트 정보를 제 2 출력 영역(340)에 디스플레이하기 위한 객체를 포함할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 학습 데이터 세트 선택 객체(333)에 대한 선택 입력을 수신하는 경우, 모델 학습에 사용된 학습 데이터 세트 정보, 학습된 모델을 재학습시키는 경우에 사용되는 학습 데이터 세트 정보, 사용자가 새롭게 추가한 새로운 학습 데이터 세트 정보 등을 제 2 출력 영역(340)에 디스플레이 할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 학습 콘솔 선택 객체(335)는 현재 모델의 학습 진행 상황에 대한 정보를 제 2 출력 영역에 디스플레이하기 위한 객체를 포함할 수 있다. 예를 들어, 컴퓨팅 장치(100)가 학습 콘솔 선택 객체(335)에 대한 선택 입력을 수신하는 경우, 모델 학습의 현재 진행 상황(예를 들어, 학습 대상 모델 정보, 학습 진행률, 학습 완료시까지 남은 시간, 학습에 소요되는 현재 CPU 연산량)을 제 2 출력 영역(340)에 디스플레이 할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 모델 아카이브 선택 객체(337)는 적어도 하나 이상의 모델에 대한 정보를 제 2 출력 영역에 디스플레이하기 위한 객체를 포함할 수 있다. 예를 들어, 컴퓨팅 장치(100)가 모델 아카이브 선택 객체(337)에 대한 선택 입력을 수신하는 경우, 적어도 하나의 모델 리스트, 각 모델에 대한 세부 정보(예를 들어, 학습 완료 시간, 학습에 사용된 학습 데이터 세트 정보) 등을 제 2 출력 영역(340)에 디스플레이할 수 있다. 모델 아카이브는 복수개의 모델이 저장된 저장소를 포함할 수 있다. 모델 아카이브는 예를 들어, 학습된 모델, 학습되지 않은 모델, 재학습된 모델 등을 포함할 수 있다. 컴퓨팅 장치(100)는 모델 아카이브에서 사용자의 입력 신호를 수신하여 사용자가 선택한 모델을 호출할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 감지된 어노말리 출력 선택 객체(339)는 모델을 이용하여 감지된 어노말리 정보를 제 2 출력 영역(340)에 디스플레이하기 위한 객체를 포함할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 감지된 어노말리 출력 선택 객체(339)에 대한 입력 신호를 수신하는 경우, 컴퓨팅 장치(100)가 모델을 이용하여 획득한 어노말리 데이터에 대한 정보를 제 2 출력 영역(340)에 디스플레이 할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
도 5은 본 개시의 일 실시예에 따라, 학습 데이터 세트 출력 화면을 예시적으로 도시한 도면이다.
본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 제 2 출력 영역에 학습 데이터 세트 출력 화면을 디스플레이 할 수 있다. 컴퓨팅 장치(100)는 학습 데이터 세트 선택 객체(333)에 대한 입력 신호를 수신하여 학습 데이터 세트 출력 화면(371)을 제 2 출력 영역(340)에 디스플레이 할 수 있다.
본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 제 2 출력 영역에 학습 데이터 세트 출력 화면을 디스플레이 할 수 있다. 학습 데이터 세트 화면은 학습 데이터 세트 관련 정보를 디스플레이하고 학습 데이터 세트 리스트를 편집할 수 있는 객체를 포함할 수 있다. 학습 데이터 세트는 적어도 하나 이상의 학습 데이터를 포함할 수 있다. 학습 데이터는 인공지능의 학습에 사용되는 임의의 형식의 데이터를 포함할 수 있다. 예를 들어, 학습 데이터는 이미지 데이터, 음성 데이터, 텍스트 데이터, 자연어 데이터, 시계열 데이터 등을 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 학습 데이터 세트 출력 화면(371)은, 적어도 하나의 학습 데이터 세트가 나열된 학습 데이터 세트 리스트, 사용자가 모델 학습에 사용될 학습 데이터 세트에 대한 선택 입력을 수신하기 위한 학습 데이터 세트 추가 객체(373), 또는 사용자가 모델 학습에 사용되지 않을 학습 데이터 세트에 대한 선택 입력을 수신하기 위한 학습 데이터 세트 제거 객체(375) 중 적어도 하나를 포함할 수 있다. 학습 데이터 세트 리스트는 적어도 하나 이상의 학습 데이터 세트를 정렬된 상태로 디스플레이 된 리스트를 포함할 수 있다. 학습 데이터 세트 리스트는 예를 들어, 사용자의 선택 입력을 수신하여 선택된 학습 데이터 세트, 컴퓨팅 장치(100)가 추천한 학습 데이터 세트, 새롭게 추가된 학습 데이터 세트 등을 포함할 수 있다. 학습 데이터 세트 리스트은 예를 들어, 모델의 학습에 사용된 학습 데이터 세트1(377), 오분류 데이터를 재라벨링한 데이터 청크1을 포함하는 학습 데이터 세트3(378), 모델의 성능을 가늠하기 위한 샘플 데이터 세트(379)를 포함할 수 있다. 샘플 데이터 세트(379)는 학습 데이터 세트가 없는 경우, 모델의 성능을 측정하기 위하여 모델에 입력되는 데이터 세트를 포함할 수 있다. 학습 데이터 세트 추가 객체(373)는 사용자가 모델 학습에 사용될 학습 데이터 세트에 대한 선택 입력을 수신하기 위한 객체를 포함할 수 있다. 예를 들어, 학습 데이터 세트 추가 객체(373)에 대한 선택 입력을 수신하는 경우, 컴퓨팅 장치(100)는 학습 데이터를 세트를 추가하기 위한 화면을 새롭게 디스플레이 할 수 있다. 또한, 컴퓨팅 장치(100)는 학습 데이터 세트를 추가하기 위한 팝업창을 디스플레이할 수도 있다. 학습 데이터 세트 제거 객체(375)는 사용자가 모델 학습에 사용되지 않을 학습 데이터 세트에 대한 선택 입력을 수신하기 위한 객체를 포함할 수 있다. 예를 들어, 사용자로부터 특정 학습 데이터 세트에 대한 선택 입력을 받은 후 학습 데이터 세트 제거 객체(375)에 대한 선택 입력을 수신한 경우, 컴퓨팅 장치(100)는 해당 학습 데이터 세트를 학습 데이터 세트 출력 화면(371)에서 제거할 수 있다. 따라서 사용자의 화면에는 제거된 학습 데이터 세트가 디스플레이 되지 않을 수도 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 학습 데이터 세트는 적어도 하나 이상의 학습 데이터를 포함할 수 있다. 학습 데이터는 인공지능의 학습에 사용되는 임의의 형식의 데이터를 포함할 수 있다. 본 개시의 일 실시예에 따라, 학습 데이터 세트는, 모델의 학습에 사용된 제 1 학습 데이터 세트, 또는 모델의 재학습에 사용될 새로운 제 2 학습 데이터 세트 중 적어도 하나를 포함할 수 있다. 제 1 학습 데이터 세트는 모델의 학습에 사용된 학습 데이터 세트를 포함할 수 있다. 본 개시의 일 실시예에 따라, 제 2 학습 데이터 세트는 모델의 재학습에 사용될 새로운 학습 데이터 세트를 포함할 수 있다. 센서로부터 실시간으로 획득하는 시계열 데이터 중 적어도 일부 및 그에 대응하는 라벨을 포함할 수 있다. 라벨은 자동으로 라벨링을 수행하는 모델(예를 들어, 오토 라벨링을 수행하는 학습된 모델)을 이용하여 획득한 값 또는 사용자의 선택 입력에 기초하여 결정된 값을 포함할 수 있다. 라벨은 학습된 모델을 이용하여 획득한 값이 오분류 데이터에 해당하여 재라벨링된 값을 포함할 수 있다. 오분류 데이터는 모델을 이용하여 획득한 결과가 잘못 분류된 데이터를 의미할 수 있다. 오분류 데이터는 예를 들어, 학습 데이터 서브 세트가 정상 데이터 세트일 수 있다. 컴퓨팅 장치(100)가 모델을 이용하여 해당 학습 데이터 서브 세트가 어노말리라는 결과를 획득한 경우, 해당 학습 데이터 서브 세트는 오분류된 학습 데이터 서브 세트일 수 있다. 어노말리는 정상이 아닌 비정형 패턴을 가지는 부분일 수 있다. 어노말리는 예를 들어, 제품의 흠결이 있는 부분을 포함할 수 있다. 어노말리는 또한, 기계의 동작(예를 들어, 로봇 팔의 동작) 중 오작동이 있는 부분을 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
도 6은 본 개시의 일 실시예에 따라, 학습 데이터 세트 선택 화면을 예시적으로 도시한 도면이다.
본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 제 2 학습 데이터 세트를 사용자로 하여금 선택할 수 있도록 하는 학습 데이터 세트 선택 화면을 디스플레이 할 수 있다. 학습 데이터 추가 객체(373)에 대한 선택 입력이 수신된 경우, 컴퓨팅 장치(100)는 학습 데이터 선택 화면을 디스플레이 할 수 있다.
본 개시의 일 실시예에 따라, 학습 데이터 세트 선택 화면(400)은 제 2 학습 데이터 세트를 사용자로 하여금 선택할 수 있도록 하는 화면을 포함할 수 있다. 컴퓨팅 장치(100)는 사용자로 하여금 모델 성능을 향상시키기 위해 필요한 제 2 학습 데이터 세트를 선택할 수 있도록 화면을 디스플레이할 수 있다. 따라서, 사용자는 모델 재학습을 위하여 필요한 학습 데이터 세트를 디스플레이된 학습 데이터 세트 선택 화면을 통해 선택할 수 있다. 컴퓨팅 장치(100)는 사용자가 선택한 학습 데이터 세트에 대한 선택 입력을 수신할 수 있다. 컴퓨팅 장치(100)는 선택된 학습 데이터 세트를 모델에 입력시켜 모델을 학습시킬 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 학습 데이터 세트 선택 화면은, 제 2 학습 데이터 세트를 사용자로 하여금 선택할 수 있도록 하는 화면으로서, 시계열 데이터를 모델에 입력시켜 획득한 데이터를 사전 결정된 제 1 기준을 기초로 필터링하기 위한 시간 변수 설정 영역 또는 시계열 데이터를 모델에 입력시켜 획득한 데이터를 사전 결정된 제 2 기준을 기초로 분할한 데이터 청크를 디스플레이하기 위한 데이터 청크 영역(450) 중 적어도 하나를 포함할 수 있다. 제 2 학습 데이터 세트는 모델의 재학습에 사용될 새로운 학습 데이터 세트를 포함할 수 있다. 본 개시의 일 실시예에 따라, 시간 변수 설정 영역은 시계열 데이터를 모델에 입력시켜 획득한 데이터를 사전 결정된 제 1 기준을 기초로 필터링하기 위한 영역을 포함할 수 있다. 사전 결정된 제 1 기준은 시간에 대한 기준을 포함할 수 있다. 사전 결정된 제 1 기준은 예를 들어, 연도, 월, 일, 시간, 분, 초 단위의 기간을 포함할 수 있다. 컴퓨팅 장치(100)는 사용자에 의하여 입력된 사전 결정된 제 1 기준에 기초하여, 입력된 기간에 해당하는 데이터만 학습 데이터 세트 선택 화면(400)에 디스플레이 할 수 있다. 예를 들어, 입력된 사전 결정된 제 1 기준이 2019년 10월 30일 00:00-24:00 인 경우, 컴퓨팅 장치(100)는 2019년 10월 30일 00:00-24:00 에 해당하는 데이터만 학습 데이터 세트 선택 화면(400)에 디스플레이 할 수 있다. 시간 변수 설정 영역은 특정 날짜에 대한 데이터를 필터링하기 위한 기간 설정 영역(410) 또는 특정 날짜의 특정 시간에 대한 데이터를 필터링하기 위한 시간 설정 영역(430)을 포함할 수 있다. 예를 들어, 기간 설정 영역(410)을 통해 2019년 10월 30일이라는 날짜를 수신하고, 시간 설정 영역(430)을 통해 6:00-12:00라는 시간을 수신할 수 있다. 이 경우, 컴퓨팅 장치(100)는 2019년 10월 30일 6:00-12:00에 대응하는 데이터를 학습 데이터 세트 선택 화면(400)에 디스플레이 할 수 있다. 구체적으로 학습 데이터 세트 선택 화면(400)에 디스플레이되는 데이터는 2019년 10월 30일 6:00-12:00에 대응하는 시계열 데이터를 모델에 입력시켜 획득한 데이터를 포함할 수 있다. 이를 통해, 컴퓨팅 장치(100)는 모델의 성능을 향상시키기 위하여 재라벨링이 필요한 시간대의 데이터를 선별적으로 사용자에게 제공할 수 있다. 따라서 사용자는 오분류 데이터가 존재하는 시간대를 설정하여 해당 시간대의 데이터만 선별적으로 디스플레이되는 화면을 통해 볼 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 데이터 청크 영역(450)은 시계열 데이터를 모델에 입력시켜 획득한 데이터를 사전 결정된 제 2 기준을 기초로 분할한 데이터 청크를 디스플레이하기 위한 영역을 포함할 수 있다. 데이터 청크는 데이터 세트의 적어도 일부인 데이터 서브 세트를 포함할 수 있다. 데이터 청크는 시계열 데이터를 모델에 입력시켜 획득한 데이터를 사전 결정된 제 2 기준을 기초로 분할된 데이터 중 일부를 포함할 수 있다. 데이터 청크는 각각 제 1 상태 및/또는 제 2 상태를 나타내는 것으로 분류될 수 있다. 제 1 상태, 제 2 상태는 컴퓨팅 장치(100)가 모델을 이용하여 이진 분류(Binary Classification)를 수행하는 경우, 이진 분류 결과를 의미할 수 있다. 예를 들어, 제 1 상태는 정상, 제 2 상태는 어노말리일 수 있다. 모델에 입력시켜 획득한 데이터를 컴퓨팅 장치(100)가 사전 결정된 제 2 기준에 기초하여 분할하는 방법은 후술하여 설명된다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 데이터 청크는, 사전 결정된 제 2 기준을 기초로 분할된 복수개의 시계열 데이터를 모델에 입력시켜 획득한 데이터 세트 각각의 통계적 특징을 포함할 수 있다. 통계적 특징은 데이터 세트의 특성을 통계적 기법을 통해 나타낸 특징으로서, 데이터 세트의 확률 분포, 평균, 표준 편차, 분산 등을 포함할 수 있다. 따라서, 데이터 청크는 시계열 데이터를 모델에 입력시켜 획득한 데이터 세트 각각의 확률 분포, 평균, 표준 편차, 분산 등을 포함할 수 있다. 예를 들어, 데이터 청크가 5분 간격으로 분할된 경우, 컴퓨팅 장치(100)는 각 5분 간격으로 분할된 시계열 데이터 서브 세트를 모델에 입력시켜 획득한 데이터 세트의 평균값을 해당 데이터 청크에 대응하는 통계적 특징으로 결정할 수 있다. 또한 데이터 청크가 사전 결정된 제 2 기준으로 분할된 경우, 컴퓨팅 장치(100)는 사전 결정된 제 2 기준으로 분할된 시계열 데이터 서브 세트를 모델에 입력시켜 획득한 데이터 세트의 평균값을 해당 데이터 청크에 대응하는 통계적 특징으로 결정할 수 있다. 컴퓨팅 장치(100)는 데이터 청크의 통계적 특징을 디스플레이할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 사전 결정된 제 2 기준은, 모델을 이용하여 획득한 데이터 중 오분류 데이터를 검출하기 위한 기준으로서, 모델을 이용하여 획득한 데이터가 제 1 상태에서 제 2 상태로 변하는 제 1 포인트 또는 모델의 출력이 제 2 상태에서 제 1 상태로 변하는 제 2 포인트 중 적어도 하나에 기초하여 시계열 데이터를 모델에 입력시켜 획득한 데이터를 복수개의 데이터 청크로 분할하는 기준을 포함할 수 있다. 제 1 상태, 제 2 상태는 컴퓨팅 장치(100)가 모델을 이용하여 이진 분류를 수행하는 경우, 이진 분류 결과를 의미할 수 있다. 예를 들어, 제 1 상태는 정상, 제 2 상태는 어노말리일 수 있다. 컴퓨팅 장치(100)는 데이터 청크를 분할하는 기준을 제 1 포인트 및/또는 제 2 포인트로 결정할 수 있다. 따라서 컴퓨팅 장치(100)는 제 1 상태에서 제 2 상태로 변하는 제 1 포인트를 데이터 청크의 시작점으로 결정할 수 있다. 이 경우, 컴퓨팅 장치(100)는 제 2 상태에서 제 1 상태로 변하는 제 2 포인트를 해당 데이터 청크의 종료점으로 결정할 수 있다. 반대로, 컴퓨팅 장치(100)는 제 2 상태에서 제 1 상태로 변하는 제 2 포인트를 데이터 청크의 시작점으로 결정할 수 있다. 이 경우, 컴퓨팅 장치(100)는 제 1 상태에서 재 2 상태로 변하는 제 1 포인트를 해당 데이터 청크의 종료점으로 결정할 수도 있다. 이를 통해, 컴퓨팅 장치(100)는 모델의 출력이 정상인 데이터 청크, 모델의 출력이 어노말리인 데이터 청크를 분류할 수 있다. 따라서 컴퓨팅 장치(100)는 분류 결과별 데이터 청크를 데이터 청크 영역(450)에 디스플레이할 수 있다. 디스플레이된 데이터 청크를 사용자가 보고 어떤 데이터 청크가 오분류 데이터인지 판단할 수 있다. 예를 들어, 도 6에 도시된 바와 같이 데이터 청크 영역(450)에는 데이터 청크1(451), 데이터 청크2(453), 데이터 청크3(455)이 디스플레이될 수 있다. 여기서 데이터 청크1(451)은 오분류 데이터(예를 들어, False Positive-정상 데이터이지만 모델을 이용하여 획득한 출력이 어노말리인 경우)일 수 있다. 즉, 모델의 예측이 잘못된 경우, 컴퓨팅 장치(100)는 사용자로부터 입력 신호를 수신하여 오분류된 데이터 청크를 재라벨링할 수 있다. 즉 정상 데이터이지만 모델을 이용하여 획득한 출력이 어노말리인 경우, 프로세서(110) 해당 데이터의 라벨을 정상으로 재라벨링할 수 있다. 컴퓨팅 장치(100)는 재라벨링된 데이터 청크를 모델에 입력시켜 모델을 재학습시킬 수 있다. 이를 통해, 모델의 예측 정확도를 향상시킬 수 있다. 데이터 청크3(455)의 경우, 모델을 이용하여 획득한 결과값이 Normal일 수 있다. 그리고 입력된 데이터도 Normal일 수 있다. 이 경우, 데이터 청크3(455)는 정확하게 예측 및/또는 분류된 데이터 세트일 수 있다. 따라서, 데이터 청크3에 대해서는 모델에 다시 입력시켜 재학습시킬 필요성이 떨어질 수 있다. 이 경우, 컴퓨팅 장치(100)는 데이터 청크3에 대해서는 재라벨링을 수행하지 않을 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
도 7은 본 개시의 일 실시예에 따라, 모델 아카이브 출력 화면을 예시적으로 도시한 도면이다.
본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 제 2 출력 영역에 모델 아카이브 출력 화면(510)을 디스플레이 할 수 있다. 컴퓨팅 장치(100)는 모델 아카이브 선택 객체(337)에 대한 입력 신호를 수신하여 모델 아카이브 출력 화면(510)을 제 2 출력 영역(340)에 디스플레이 할 수 있다.
본 개시의 일 실시예에 따라, 모델 아카이브 출력 화면(510)은 복수개의 모델 각각에 대한 정보를 디스플레이하는 화면을 포함할 수 있다. 모델 아카이브 출력 화면(510)은 모델 아카이브에 저장된 복수개의 모델을 한눈에 볼 수 있도록 디스플레이하기 위한 모델 리스트 출력 영역(513) 또는 사용자의 선택 입력 신호를 수신하여 선택된 모델에 대한 정보를 디스플레이하는 모델 정보 출력 영역(515) 중 적어도 하나를 포함할 수 있다. 모델 아카이브는 복수개의 모델이 저장된 저장소를 포함할 수 있다. 모델 아카이브는 예를 들어, 학습된 모델, 학습되지 않은 모델, 재학습된 모델 등을 포함할 수 있다. 컴퓨팅 장치(100)는 모델 아카이브에서 사용자의 입력 신호를 수신하여 사용자가 선택한 모델을 호출할 수 있다. 본 개시의 일 실시예에 따라, 모델 리스트 출력 영역(513)은 모델 아카이브에 저장된 복수개의 모델을 한눈에 볼 수 있도록 디스플레이하기 위한 영역을 포함할 수 있다. 모델 리스트 출력 영역(513)은 사용자의 선택 입력에 기초하여 선별된 모델을 한눈에 볼 수 있도록 디스플레이하기 위한 영역을 포함할 수 있다. 예를 들어, 모델 리스트 출력 영역(513)은 프로젝트에 포함된 모델, 사용자가 선택한 모델, 사용자에게 추천된 모델 등을 포함할 수 있다. 본 개시의 일 실시예에 따라, 모델 정보 출력 영역(515)은 사용자의 선택 입력 신호를 수신하여 선택된 모델에 대한 정보를 디스플레이하기 위한 영역을 포함할 수 있다. 모델 정보 출력 영역(515)은 예를 들어, 모델 이름, 모델 상태(예를 들어, 학습 전, 학습 후, 학습 중), 모델 생성 날짜, 모델을 학습시킨 학습 데이터 세트 정보 등이 디스플레이 된 영역을 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
도 8은 본 개시의 일 실시예에 따라, 히트된 모델을 설명하기 위한 예시도이다.
본 개시의 일 실시예에 따라, 모델 리스트는 모델 아카이브에 포함된 복수개의 모델 각각의 히트율에 기초하여 결정된 모델(521)을 포함할 수 있다.
본 개시의 일 실시예에 따라, 도 8에서는 모델 아카이브(520) 및 히트된 모델(521)이 도시되어 있다. 히트된 모델(521)은 새롭게 입력된 데이터에 대응하는 모델을 사용자에게 추천하기 위하여, 모델 아카이브에 포함된 복수개의 모델 각각의 히트율에 기초하여 결정된 모델을 포함할 수 있다. 히트된 모델(521)은 입력 데이터를 정상 또는 비정상으로 판단한 모델을 의미할 수 있다. 복수의 모델 중에서 입력 데이터에 대한 최종 판단을 내린 모델을 히트된 모델(521)로 할 수 있다. 새롭게 입력된 시계열 데이터에 대하여 사용자는 어떤 모델이 최적의 결과를 출력하는지 알지 못할 수도 있다. 또한 모델 아카이브에 포함된 모든 모델에 새롭게 입력된 시계열 데이터를 입력시켜 성능을 비교하는 경우, 많은 시간과 비용이 소모될 수도 있다. 따라서 새롭게 입력된 시계열 데이터에 대하여 컴퓨팅 장치(100)는 모델 아카이브(520)에 저장된 모델 히트할 가능성이 높은 모델을 선정하여, 히트할 가능성이 가장 높은 모델을 디스플레이할 수 있다. 이를 통해, 사용자는 새롭게 입력된 데이터에 대하여 적합한 모델을 실험 과정을 거치지 않고 신속하게 획득할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
도 9는 본 개시의 일 실시예에 따라, 통합된 모델을 설명하기 위한 예시도이다.
본 개시의 일 실시예에 따라, 모델 리스트는 모델 아카이브에 포함된 복수개의 모델 중에서 유사한 통계적 특징을 가지는 모델을 통합하여 새롭게 생성된 모델(525)을 포함할 수 있다.
본 개시의 일 실시예에 따라, 도 9에서는 모델 아카이브(520), 비슷한 분포를 가진 모델(523) 및 통합된 모델(525)이 도시되어 있다. 컴퓨팅 장치(100)는 비슷한 분포를 가진 모델(523)을 통합시켜 통합된 모델(525)을 새롭게 생성할 수 있다. 즉, 컴퓨팅 장치(100)는 새롭게 입력된 데이터에 대하여 이용될 가능성이 낮은 모델을 적어도 하나 이상 통합시킴으로써, 새롭게 입력된 데이터에 대하여 이용될 가능성이 높은 모델을 생성할 수도 있다. 이를 통해, 컴퓨팅 장치(100)는 이용될 가능성이 높은 군에 포함된 모델들 각각에 대한 히트율을 선별적으로 산출함으로써, 새롭게 입력된 데이터에 대하여 적합한 모델을 신속하게 산출할 수도 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
도 10은 본 개시의 일 실시예에 따라, 감지된 어노말리 출력 화면을 예시적으로 도시한 도면이다.
본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 제 2 출력 영역에 감지된 어노말리 출력 화면을 디스플레이할 수 있다. 컴퓨팅 장치(100)는 감지된 어노말리 출력 선택 객체(339)에 대한 입력 신호를 수신하여 감지된 어노말리 출력 화면(530)을 제 2 출력 영역(340)에 디스플레이 할 수 있다.
본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 제 2 출력 영역에 감지된 어노말리 출력 화면(530)을 디스플레이 할 수 있다. 감지된 어노말리 출력 화면(530)은 모델을 이용하여 획득한 어노말리 감지 결과를 디스플레이하기 위한 어노말리 감지 결과 출력 영역을 포함할 수 있다.
본 개시의 일 실시예에 따라, 감지된 어노말리 출력 화면(530)은, 모델을 이용하여 획득한 데이터 중 어노말리 데이터에 관련된 정보를 디스플레이하기 위한 화면을 포함할 수 있다. 감지된 어노말리 출력 화면(530)은 모델을 이용하여 획득한 어노말리 데이터 리스트를 디스플레이하기 위한 어노말리 감지 결과 출력 영역(531) 또는 사용자 선택 입력 신호를 수신하여 선택된 어노말리 데이터에 대한 정보를 디스플레이하기 위한 어노말리 정보 출력 영역(533) 중 적어도 하나를 포함할 수 있다. 어노말리 감지 결과 출력 영역(531)은 모델을 이용하여 획득한 어노말리 데이터 리스트를 디스플레이하기 위한 영역을 포함할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 모델을 이용하여 획득한 데이터 중 어노말리로 분류된 데이터를 어노말리 감지 결과 출력 영역(531)에 디스플레이할 수 있다. 어노말리 정보 출력 영역(533)은 사용자의 선택 입력 신호를 수신하여 선택된 어노말리 데이터에 대한 정보를 디스플레이하기 위한 영역을 포함할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 사용자의 선택 입력 신호를 수신하여 선택된 어노말리 데이터에 대한 정보인 어노말리가 발생한 시작 시간, 어노말리가 끝난 종료 시간, 어노말리가 발생한 기간 등을 디스플레이할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
도 11은 본 개시의 일 실시예에 따라, 모니터링 선을 출력 화면을 예시적으로 도시한 도면이다.
본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 제 2 출력 영역에 모델 성능 출력 화면을 디스플레이 할 수 있다. 컴퓨팅 장치(100)는 성능 모니터링 선택 객체(331)에 대한 입력 신호를 수신하여 모델 성능 출력 화면(550)을 제 2 출력 영역(340)에 디스플레이 할 수 있다.
본 개시의 일 실시예에 따라, 도 11 에 도시된 바와 같이 컴퓨팅 장치(100)는 제 2 출력 영역에 모델 성능 출력 화면(550)을 디스플레이 할 수 있다. 모델 성능 출력 화면(550)은 모델의 성능 정보를 디스플레이하기 위한 화면을 포함할 수 있다. 모델의 성능 정보는 모델의 성능과 관련되는 정보를 모두 포함할 수 있다. 예를 들어, 모델의 성능 정보는 모델이 입력 데이터에 대하여 얼마나 정확한 예측 결과값을 출력하는지에 대한 척도를 포함할 수 있다. 또한 모델의 성능 정보는 컴퓨팅 장치(100)가 모델을 이용하여 획득한 예측값을 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
도 12는 본 개시의 일 실시예에 따른 신경망을 학습시키기 위한 방법의 순서도이다.
본 개시의 일 실시예에 따라, 프로젝트에 대한 선택 입력을 수신하기 위한 적어도 하나의 제 1 객체를 포함하는 제 1 화면을 디스플레이(710)할 수 있다.
본 개시의 일 실시예에 따라, 선택된 프로젝트와 대응되는 프로젝트 관련 정보를 디스플레이 하기 위한 제 2 화면을 디스플레이(720)할 수 있다.
본 개시의 일 실시예에 따라, 제 2 화면은, 센서로부터 획득한 시계열 데이터를 디스플레이하기 위한 제 1 출력 영역, 모델 재학습에 관련된 선택 입력을 수신하기 위한 적어도 하나의 제 2 객체를 포함하는 선택 영역 또는 제 2 객체에 대응하는 정보를 디스플레이 하기 위한 제 2 출력 영역 중 적어도 하나를 포함할 수 있다.
본 개시의 일 실시예에 따라, 프로젝트는 인공지능을 이용하여 특정 목표를 달성하기 위한 인공지능 관련 프로젝트로서, 특정 목표는, 인공지능이 적용된 모델의 성능을 향상시키는 목표를 포함할 수 있다.
본 개시의 일 실시예에 따라, 선택 영역은, 모델 학습에 관련된 정보를 제 2 출력 영역에 디스플레이하기 위한 객체가 포함된 영역으로서, 모델의 성능 정보를 제 2 출력 영역에 디스플레이하기 위한 성능 모니터링 선택 객체, 모델의 학습과 관련된 학습 데이터 세트 정보를 제 2 출력 영역에 디스플레이하기 위한 학습 데이터 세트 선택 객체, 현재 모델의 학습 진행 상황에 대한 정보를 제 2 출력 영역에 디스플레이하기 위한 학습 콘솔 선택 객체, 적어도 하나 이상의 모델에 대한 정보를 제 2 출력 영역에 디스플레이하기 위한 모델 아카이브 선택 객체, 또는 모델을 이용하여 감지된 어노말리 정보를 제 2 출력 영역에 디스플레이하기 위한 감지된 어노말리 출력 선택 객체 중 적어도 하나를 포함할 수 있다.
본 개시의 일 실시예에 따라, 제 2 출력 영역에 학습 데이터 세트 출력 화면을 디스플레이하는 동작을 더 포함하고, 학습 데이터 세트 출력 화면은, 적어도 하나의 학습 데이터 세트가 나열된 학습 데이터 세트 리스트, 사용자가 모델 학습에 사용될 학습 데이터 세트에 대한 선택 입력을 수신하기 위한 학습 데이터 세트 추가 객체, 또는 사용자가 모델 학습에 사용되지 않을 학습 데이터 세트에 대한 선택 입력을 수신하기 위한 학습 데이터 세트 제거 객체 중 적어도 하나를 포함할 수 있다.
본 개시의 일 실시예에 따라, 학습 데이터 세트는, 모델의 학습에 사용된 제 1 학습 데이터 세트, 또는 모델의 재학습에 사용될 새로운 제 2 학습 데이터 세트 중 적어도 하나를 포함하고, 제 2 학습 데이터 세트는, 센서로부터 실시간으로 획득하는 시계열 데이터 중 적어도 일부 및 그에 대응하는 라벨을 포함할 수 있다.
본 개시의 일 실시예에 따라, 학습 데이터 세트 선택 화면은, 제 2 학습 데이터 세트를 사용자로 하여금 선택할 수 있도록 하는 화면으로서, 시계열 데이터를 모델에 입력시켜 획득한 데이터를 사전 결정된 제 1 기준을 기초로 필터링하기 위한 시간 변수 설정 영역 또는 시계열 데이터를 모델에 입력시켜 획득한 데이터를 사전 결정된 제 2 기준을 기초로 분할한 데이터 청크를 디스플레이하기 위한 데이터 청크 영역 중 적어도 하나를 포함할 수 있다.
본 개시의 일 실시예에 따라, 데이터 청크는, 사전 결정된 제 2 기준을 기초로 분할된 복수개의 시계열 데이터를 모델에 입력시켜 획득한 데이터 세트 각각의 통계적 특징을 포함할 수 있다.
본 개시의 일 실시예에 따라, 사전 결정된 제 2 기준은, 모델을 이용하여 획득한 데이터 중 오분류 데이터를 검출하기 위한 기준으로서, 모델을 이용하여 획득한 데이터가 제 1 상태에서 제 2 상태로 변하는 제 1 포인트 또는 모델의 출력이 제 2 상태에서 제 1 상태로 변하는 제 2 포인트 중 적어도 하나에 기초하여 시계열 데이터를 모델에 입력시켜 획득한 데이터를 복수개의 데이터 청크로 분할하는 기준을 포함할 수 있다.
본 개시의 일 실시예에 따라, 데이터 청크는, 사용자에게 모델 재학습에 이용될 데이터 청크를 데이터 청크 추천 알고리즘을 통해 산출된 데이터 청크를 포함하는 데이터 청크, 또는 사용자 선택 입력 신호를 수신하여 선택된 데이터 청크와 통계적 특징이 유사한 적어도 하나의 데이터 청크를 포함하는 데이터 청크 중 적어도 하나를 포함할 수 있다.
본 개시의 일 실시예에 따라, 모델 아카이브 출력 화면은, 복수개의 모델 각각에 대한 정보를 디스플레이하는 화면으로서, 모델 아카이브에 저장된 복수개의 모델을 한눈에 볼 수 있도록 디스플레이하기 위한 모델 리스트 출력 영역 또는 사용자의 선택 입력 신호를 수신하여 선택된 모델에 대한 정보를 디스플레이하는 모델 정보 출력 영역 중 적어도 하나를 포함할 수 있다.
본 개시의 일 실시예에 따라, 모델 리스트는, 프로젝트를 진행하면서 학습된 모델, 제 2 학습 데이터 세트를 학습된 모델에 입력시켜 재학습시킨 모델, 모델 아카이브에 포함된 복수개의 모델 중에서 유사한 통계적 특징을 가지는 모델을 통합하여 새롭게 생성된 모델, 또는 새롭게 입력된 데이터에 대응하는 모델을 사용자에게 추천하기 위하여, 모델 아카이브에 포함된 복수개의 모델 각각의 히트율에 기초하여 결정된 모델 중 적어도 하나를 포함할 수 있다.
본 개시의 일 실시예에 따라, 감지된 어노말리 출력 화면은, 모델을 이용하여 획득한 데이터 중 어노말리 데이터에 관련된 정보를 디스플레이하기 위한 화면으로서, 모델을 이용하여 획득한 어노말리 데이터 리스트를 디스플레이하기 위한 어노말리 감지 결과 출력 영역 또는 사용자 선택 입력 신호를 수신하여 선택된 어노말리 데이터에 대한 정보를 디스플레이하기 위한 어노말리 정보 출력 영역 중 적어도 하나를 포함할 수 있다.
도 13은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.
본 개시가 일반적으로 컴퓨팅 장치에 의해 구현될 수 있는 것으로 전술되었지만, 당업자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.
일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.
본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.
컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.
컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.
컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.
시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.
컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)－이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음－, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.
이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.
운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.
사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.
모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.
컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.
LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.
컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.
Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a, b, g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 소프트웨어로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.
여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 제조 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.
제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.
제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
Claims (17)
- 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 신경망을 학습시키기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은:
프로젝트에 대한 선택 입력을 수신하기 위한 적어도 하나의 제 1 객체를 포함하는 제 1 화면을 디스플레이 하는 동작; 및
선택된 프로젝트와 대응되는 프로젝트 관련 정보를 디스플레이 하기 위한 제 2 화면을 디스플레이 하는 동작;
을 포함하고,
상기 제 2 화면은,
모델 재학습에 관련된 선택 입력에 대응하는 정보를 디스플레이 하기 위한 제 2 출력 영역을 포함하되,
상기 제 2 출력 영역은 학습 데이터 세트에 대한 정보를 포함하는 출력 화면을 더 포함하고,
상기 학습 데이터 세트에 대한 정보는,
모델의 학습에 사용된 제 1 학습 데이터 세트에 대한 정보; 또는
모델의 재학습에 사용될 새로운 제 2 학습 데이터 세트에 대한 정보;
중 적어도 하나를 포함하는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 제 1 항에 있어서,
상기 프로젝트는,
인공지능을 이용하여 특정 목표를 달성하기 위한 인공지능 관련 프로젝트로서,
상기 특정 목표는,
인공지능이 적용된 모델의 성능을 향상시키는 목표를 포함하는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 제 1 항에 있어서,
상기 제 2 화면은 모델 재학습에 관련된 선택 입력을 수신하기 위한 선택 영역을 더 포함하고,
상기 선택 영역은,
상기 모델 재학습에 관련된 정보를 제 2 출력 영역에 디스플레이하기 위한 객체가 포함된 영역으로서,
모델의 성능 정보를 상기 제 2 출력 영역에 디스플레이하기 위한 성능 모니터링 선택 객체,
모델의 학습과 관련된 학습 데이터 세트 정보를 상기 제 2 출력 영역에 디스플레이하기 위한 학습 데이터 세트 선택 객체,
현재 모델의 학습 진행 상황에 대한 정보를 제 2 출력 영역에 디스플레이하기 위한 학습 콘솔 선택 객체,
적어도 하나 이상의 모델에 대한 정보를 상기 제 2 출력 영역에 디스플레이하기 위한 모델 아카이브 선택 객체, 또는
상기 모델을 이용하여 감지된 어노말리 정보를 상기 제 2 출력 영역에 디스플레이하기 위한 감지된 어노말리 출력 선택 객체 중
적어도 하나를 포함하는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 제 1 항에 있어서,
상기 학습 데이터 세트에 대한 정보를 포함하는 출력 화면은,
적어도 하나의 학습 데이터 세트가 나열된 학습 데이터 세트 리스트,
사용자가 모델 학습에 사용될 학습 데이터 세트에 대한 선택 입력을 수신하기 위한 학습 데이터 세트 추가 객체, 또는
사용자가 모델 학습에 사용되지 않을 학습 데이터 세트에 대한 선택 입력을 수신하기 위한 학습 데이터 세트 제거 객체
중 적어도 하나를 포함하는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 제 1 항에 있어서,
상기 제 2 학습 데이터 세트에 대한 정보는,
센서로부터 실시간으로 획득하는 시계열 데이터 중 적어도 일부 및 그에 대응하는 라벨에 대한 정보를 포함하는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 제 1 항에 있어서,
상기 제 2 학습 데이터 세트를 사용자로 하여금 선택할 수 있도록 하는 학습 데이터 세트 선택 화면을 디스플레이하는 동작;
을 더 포함하는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 제 6 항에 있어서,
상기 학습 데이터 세트 선택 화면은,
상기 제 2 학습 데이터 세트를 사용자로 하여금 선택할 수 있도록 하는 화면으로서,
시계열 데이터를 모델에 입력시켜 획득한 데이터를 사전 결정된 제 1 기준을 기초로 필터링하기 위한 시간 변수 설정 영역 또는
상기 시계열 데이터를 모델에 입력시켜 획득한 데이터를 사전 결정된 제 2 기준을 기초로 분할한 데이터 청크를 디스플레이하기 위한 데이터 청크 영역
중 적어도 하나를 포함하는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 제 7 항에 있어서,
상기 데이터 청크는,
사전 결정된 제 2 기준을 기초로 분할된 복수개의 상기 시계열 데이터를 모델에 입력시켜 획득한 데이터 세트 각각의 통계적 특징
을 포함하는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 제 7 항에 있어서,
상기 사전 결정된 제 2 기준은,
상기 모델을 이용하여 획득한 데이터 중 오분류 데이터를 검출하기 위한 기준으로서,
상기 모델을 이용하여 획득한 데이터가 제 1 상태에서 제 2 상태로 변하는 제 1 포인트, 상기 모델의 출력이 상기 제 2 상태에서 상기 제 1 상태로 변하는 제 2 포인트, 상기 제 1 상태인 상기 모델의 출력에 존재하는 임의의 제 3 포인트 또는 상기 제 2 상태인 상기 모델의 출력에 존재하는 임의의 제 4 포인트 중 적어도 하나에 기초하여 상기 시계열 데이터를 모델에 입력시켜 획득한 데이터를 복수개의 데이터 청크로 분할하는 기준
을 포함하는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 제 7 항에 있어서,
상기 데이터 청크는,
사용자에게 모델 재학습에 이용될 데이터 청크를 데이터 청크 추천 알고리즘을 통해 산출된 데이터 청크를 포함하는 데이터 청크, 또는
사용자 선택 입력 신호를 수신하여 선택된 데이터 청크와 통계적 특징이 유사한 적어도 하나의 데이터 청크를 포함하는 데이터 청크
중 적어도 하나를 포함하는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 제 1 항에 있어서,
상기 제 2 출력 영역에 모델 아카이브 출력 화면을 디스플레이하는 동작;
을 더 포함하는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 제 11 항에 있어서,
상기 모델 아카이브 출력 화면은,
복수개의 모델 각각에 대한 정보를 디스플레이하는 화면으로서,
모델 아카이브에 저장된 복수개의 모델을 한눈에 볼 수 있도록 디스플레이하기 위한 모델 리스트 출력 영역 또는
사용자의 선택 입력 신호를 수신하여 선택된 모델에 대한 정보를 디스플레이하기 위한 모델 정보 출력 영역
중 적어도 하나를 포함하는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 제 12 항에 있어서,
상기 모델 리스트는,
상기 프로젝트를 진행하면서 학습된 모델,
제 2 학습 데이터 세트를 학습된 모델에 입력시켜 재학습된 모델,
상기 모델 아카이브에 포함된 복수개의 모델 중에서 유사한 통계적 특징을 가지는 모델을 통합하여 새롭게 생성된 모델, 또는
새롭게 입력된 데이터에 대응하는 모델을 사용자에게 추천하기 위하여, 상기 모델 아카이브에 포함된 복수개의 모델 각각의 히트율에 기초하여 결정된 모델
중 적어도 하나를 포함하는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 제 1 항에 있어서,
상기 제 2 출력 영역에 감지된 어노말리 출력 화면을 디스플레이하는 동작;
을 더 포함하는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 제 14 항에 있어서,
상기 감지된 어노말리 출력 화면은,
상기 모델을 이용하여 획득한 데이터 중 어노말리 데이터에 관련된 정보를 디스플레이하기 위한 화면으로서,
모델을 이용하여 획득한 어노말리 데이터 리스트를 디스플레이하기 위한 어노말리 감지 결과 출력 영역 또는
사용자 선택 입력 신호를 수신하여 선택된 어노말리 데이터에 대한 정보를 디스플레이하기 위한 어노말리 정보 출력 영역
중 적어도 하나를 포함하는
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 신경망을 학습시키기 위해 컴퓨팅 장치에서 수행되는 방법으로서,
프로젝트에 대한 선택 입력을 수신하기 위한 적어도 하나의 제 1 객체를 포함하는 제 1 화면을 디스플레이 하는 단계; 및
선택된 프로젝트와 대응되는 프로젝트 관련 정보를 디스플레이 하기 위한 제 2 화면을 디스플레이 하는 단계;
를 포함하고,
상기 제 2 화면은,
모델 재학습에 관련된 선택 입력에 대응하는 정보를 디스플레이 하기 위한 제 2 출력 영역을 포함하되,
상기 제 2 출력 영역은 학습 데이터 세트에 대한 정보를 포함하는 출력 화면을 더 포함하고,
상기 학습 데이터 세트에 대한 정보는,
모델의 학습에 사용된 제 1 학습 데이터 세트에 대한 정보; 또는
모델의 재학습에 사용될 새로운 제 2 학습 데이터 세트에 대한 정보;
중 적어도 하나를 포함하는,
신경망을 학습시키기 위한 방법.
- 신경망을 학습시키기 위한 방법을 제공하기 위한 컴퓨팅 장치로서,
하나 이상의 코어를 포함하는 프로세서; 및
메모리;
를 포함하고,
상기 프로세서는,
프로젝트에 대한 선택 입력을 수신하기 위한 적어도 하나의 제 1 객체를 포함하는 제 1 화면을 디스플레이 하고, 그리고
선택된 프로젝트와 대응되는 프로젝트 관련 정보를 디스플레이 하기 위한 제 2 화면을 디스플레이 하고,
상기 제 2 화면은,
모델 재학습에 관련된 선택 입력에 대응하는 정보를 디스플레이 하기 위한 제 2 출력 영역을 포함하되,
상기 제 2 출력 영역은 학습 데이터 세트에 대한 정보를 포함하는 출력 화면을 더 포함하고,
상기 학습 데이터 세트에 대한 정보는,
모델의 학습에 사용된 제 1 학습 데이터 세트에 대한 정보; 또는
모델의 재학습에 사용될 새로운 제 2 학습 데이터 세트에 대한 정보;
중 적어도 하나를 포함하는,
컴퓨팅 장치.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR20190134213 | 2019-10-28 | ||
| KR1020190134213 | 2019-10-28 | ||
| KR1020200022453A KR20210050414A (ko) | 2019-10-28 | 2020-02-24 | 신경망을 학습시키는 방법 |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200022453A Division KR20210050414A (ko) | 2019-10-28 | 2020-02-24 | 신경망을 학습시키는 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230041983A KR20230041983A (ko) | 2023-03-27 |
| KR102549702B1 true KR102549702B1 (ko) | 2023-06-30 |
Family
ID=75587117
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230033044A KR102549702B1 (ko) | 2019-10-28 | 2023-03-14 | 신경망을 학습시키는 방법 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20210125068A1 (ko) |
| KR (1) | KR102549702B1 (ko) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3905062A1 (en) * | 2020-04-27 | 2021-11-03 | Permutable Technologies Limited | Method and apparatus for searching for a data pattern |
| US11772272B2 (en) * | 2021-03-16 | 2023-10-03 | Google Llc | System(s) and method(s) of using imitation learning in training and refining robotic control policies |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170243132A1 (en) | 2016-02-23 | 2017-08-24 | Splunk Inc. | Machine-Learning Data Analysis Tool |
| US20180349768A1 (en) | 2017-06-06 | 2018-12-06 | Ca, Inc. | Configuring a neural network based on a dashboard interface |
| US20190102702A1 (en) | 2017-09-29 | 2019-04-04 | Oracle International Corporation | System and method for data visualization using machine learning and automatic insight of facts associated with a set of data |
Family Cites Families (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9110452B2 (en) * | 2011-09-19 | 2015-08-18 | Fisher-Rosemount Systems, Inc. | Inferential process modeling, quality prediction and fault detection using multi-stage data segregation |
| US9501613B1 (en) * | 2012-04-24 | 2016-11-22 | Alarm.Com Incorporated | Health and wellness management technology |
| WO2015130928A1 (en) * | 2014-02-26 | 2015-09-03 | Nancy Packes, Inc. | Real estate evaluating platform methods, apparatuses, and media |
| WO2016130858A1 (en) * | 2015-02-11 | 2016-08-18 | Skytree, Inc. | User interface for unified data science platform including management of models, experiments, data sets, projects, actions, reports and features |
| US11250344B2 (en) * | 2016-07-07 | 2022-02-15 | Hcl Technologies Limited | Machine learning based analytics platform |
| EP3482261B1 (en) * | 2016-07-07 | 2021-05-05 | Aspen Technology Inc. | Computer system and method for the dynamic construction and online deployment of an operation-centric first-principles process model for predictive analytics |
| US10460052B2 (en) * | 2016-12-22 | 2019-10-29 | Sap Se | Parallel model creation in cloud platform |
| US10360482B1 (en) * | 2017-12-04 | 2019-07-23 | Amazon Technologies, Inc. | Crowd-sourced artificial intelligence image processing services |
| US20190220762A1 (en) * | 2018-01-12 | 2019-07-18 | Gamalon, Inc. | Probabilistic modeling system and method |
| US10402726B1 (en) * | 2018-05-03 | 2019-09-03 | SparkCognition, Inc. | Model building for simulation of one or more target features |
| US20200168305A1 (en) * | 2018-10-24 | 2020-05-28 | Koninklijke Philips N.V. | Modular patient analytics |
| US11609942B2 (en) * | 2018-11-15 | 2023-03-21 | Microsoft Technology Licensing, Llc | Expanding search engine capabilities using AI model recommendations |
| US20200160229A1 (en) * | 2018-11-15 | 2020-05-21 | Adobe Inc. | Creating User Experiences with Behavioral Information and Machine Learning |
| US11669431B2 (en) * | 2019-01-11 | 2023-06-06 | Google Llc | Analytics personalization framework |
| US11222077B1 (en) * | 2019-03-22 | 2022-01-11 | Palantir Technologies Inc. | Chart-based time series model user interface |
| US11616839B2 (en) * | 2019-04-09 | 2023-03-28 | Johnson Controls Tyco IP Holdings LLP | Intelligent edge computing platform with machine learning capability |
| US11170007B2 (en) * | 2019-04-11 | 2021-11-09 | International Business Machines Corporation | Headstart for data scientists |
| US11294784B1 (en) * | 2019-09-26 | 2022-04-05 | Amazon Technologies, Inc. | Techniques for providing predictive interface elements |
| US11249879B2 (en) * | 2019-10-16 | 2022-02-15 | Northrop Grumman Systems Corporation | Time-travel debugging with hot code replacement |
-
2020
- 2020-10-28 US US17/083,178 patent/US20210125068A1/en not_active Abandoned
-
2023
- 2023-03-14 KR KR1020230033044A patent/KR102549702B1/ko active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170243132A1 (en) | 2016-02-23 | 2017-08-24 | Splunk Inc. | Machine-Learning Data Analysis Tool |
| US20180349768A1 (en) | 2017-06-06 | 2018-12-06 | Ca, Inc. | Configuring a neural network based on a dashboard interface |
| US20190102702A1 (en) | 2017-09-29 | 2019-04-04 | Oracle International Corporation | System and method for data visualization using machine learning and automatic insight of facts associated with a set of data |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230041983A (ko) | 2023-03-27 |
| US20210125068A1 (en) | 2021-04-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102295805B1 (ko) | 학습 데이터 관리 방법 | |
| KR102531645B1 (ko) | 모델의 성능 테스트를 위한 컴퓨터 프로그램 | |
| KR102313626B1 (ko) | 신경망을 학습시키는 방법 | |
| KR102549702B1 (ko) | 신경망을 학습시키는 방법 | |
| KR102372487B1 (ko) | 입력 데이터의 처리를 위한 최적의 어노말리 감지 모델 결정 방법 | |
| KR102473613B1 (ko) | 인공지능 모델의 분산 학습 기법 | |
| KR20210050414A (ko) | 신경망을 학습시키는 방법 | |
| US20230152777A1 (en) | Method for detecting abnormality | |
| KR20210074269A (ko) | 입력 데이터의 처리를 위한 최적의 어노말리 감지 모델 결정 방법 | |
| KR20210098420A (ko) | 비정상 데이터 생성 방법 | |
| KR102550108B1 (ko) | 클라우드 플랫폼에서 인공지능 모델을 활용한 용접 불량 탐지 방법 | |
| KR20210119208A (ko) | 전문가 모사 모델 학습 방법 및 그 학습을 위한 장치 | |
| KR102292703B1 (ko) | 피처 셋 정보에 기초한 전이 학습 방법 | |
| KR102260169B1 (ko) | 데이터 생성 방법 | |
| KR20230031420A (ko) | 커리큘럼 기반의 능동적 학습 방법 | |
| KR102562197B1 (ko) | 오토 인코더 모델의 데이터 선별 및 비정상 스코어 산출 방법 | |
| KR102552230B1 (ko) | 클라우드 플랫폼에서 인공지능 모델을 활용한 데이터 라벨링 방법 | |
| KR102550107B1 (ko) | 클라우드 플랫폼에서 인공지능 모델을 활용한 감성 품질 검사 방법 | |
| KR102616968B1 (ko) | 이상 탐지 모델의 추가 학습 여부 및 학습 데이터 적절성 판단 방법 | |
| KR102479218B1 (ko) | 오토 인코더 모델의 선택 및 최적화 방법 | |
| KR102570771B1 (ko) | 강화학습 알고리즘의 파라미터 조절 방법 | |
| KR102508654B1 (ko) | 이미지 기반 테이블 경계선 생성 방법 | |
| KR20230126168A (ko) | 오토 인코더 모델의 선택 및 최적화 방법 | |
| KR20230105303A (ko) | 모호한 라벨을 이용한 객체 예측 모델 학습 방법 | |
| KR20230103820A (ko) | 결측치 데이터 대체를 수행하는 gan 모델을 트레이닝하는 방법 및 장치 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A107 | Divisional application of patent | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |